論文の概要: Projection Guided Personalized Federated Learning for Low Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2603.13422v1
• Date: Thu, 12 Mar 2026 23:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.18725
• Title: Projection Guided Personalized Federated Learning for Low Dose CT Denoising
• Title（参考訳）: 低線量CTにおける個人化フェデレーション学習のプロジェクション
• Authors: Anas Zafar, Muhammad Waqas, Amgad Muneer, Rukhmini Bandyopadhyay, Jia Wu,
• Abstract要約: 低線量CT(LDCT)は放射線被曝を減らすが、プロトコルに依存したノイズやアーティファクトを導入する。 本稿ではプロジェクション空間における二重レベルパーソナライズを行うフレームワークであるProFedを提案する。 Mayo Clinical 2016データセットの実験では、ProFedはCNNバックボーンで42.56dB PSNR、Transformersで44.83dBを達成した。
• 参考スコア（独自算出の注目度）: 26.2348683887931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-dose CT (LDCT) reduces radiation exposure but introduces protocol-dependent noise and artifacts that vary across institutions. While federated learning enables collaborative training without centralizing patient data, existing methods personalize in image space, making it difficult to separate scanner noise from patient anatomy. We propose ProFed (Projection Guided Personalized Federated Learning), a framework that complements the image space approach by performing dual-level personalization in the projection space, where noise originates during CT measurements before reconstruction combines protocol and anatomy effects. ProFed introduces: (i) anatomy-aware and protocol-aware networks that personalize CT reconstruction to patient and scanner-specific features, (ii) multi-constraint projection losses that enforce consistency with CT measurements, and (iii) uncertainty-guided selective aggregation that weights clients by prediction confidence. Extensive experiments on the Mayo Clinic 2016 dataset demonstrate that ProFed achieves 42.56 dB PSNR with CNN backbones and 44.83 dB with Transformers, outperforming 11 federated learning baselines, including the physics-informed SCAN-PhysFed by +1.42 dB.
• Abstract（参考訳）: 低線量CT(LDCT)は放射線被曝を減らすが、組織によって異なるプロトコル依存ノイズやアーティファクトを導入する。 統合学習は、患者データを集中化せずに協調訓練を可能にするが、既存の方法では画像空間をパーソナライズし、患者解剖からスキャナノイズを分離することが困難である。 ProFed (Projection Guided Personalized Federated Learning, Projection Guided Personalized Federated Learning, Projection Guided Personalized Federated Learning) は、プロジェクション空間において二重レベルパーソナライズを行うことによってイメージ空間アプローチを補完するフレームワークである。 ProFedの紹介 一 患者及びスキャナー特有の特徴にCT再構成をパーソナライズする解剖学的認識及びプロトコル認識ネットワーク (II)CT測定との整合性を強制する多拘束投射損失、及び 三 顧客を予測信頼度で重み付けする不確実性誘導選択的アグリゲーション Mayo Clinical 2016データセットの大規模な実験によると、ProFedはCNNバックボーンで42.56dB PSNR、トランスフォーマーで44.83dBを達成した。

関連論文リスト

• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• Patient-Level Anatomy Meets Scanning-Level Physics: Personalized Federated Low-Dose CT Denoising Empowered by Large Language Model [22.16481341019888]
  低線量CT(LDCT)画像は臨床的に受け入れられないノイズやアーティファクトに悩まされることが多い。 ディープラーニング(DL)はLDCT再構築において有望であり、複数のクライアントからの大規模なデータ収集を必要とし、プライバシー上の懸念を提起する。 LDCT再構成のためのSCanning- and ANatomy-level Personal Physics-Driven Federated Learning パラダイムであるSCAN-PhysFedを提案する。
  論文  参考訳（メタデータ） (2025-03-02T14:20:32Z)
• Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
  形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。 一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。 提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
  論文  参考訳（メタデータ） (2024-06-06T14:15:15Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
  胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。 本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。 ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
  論文  参考訳（メタデータ） (2024-04-15T16:52:53Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
  コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。 近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。 本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:09:01Z)
• CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
  胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。 その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T22:20:40Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks [6.167259271197635]
  ダイナミックCT(Dynamic Computed Tomography, CTP)は急性期脳梗塞の診断と評価に有望なアプローチである。 脳小葉の血行動態のパラメトリックマップは、脳内のヨウ素化コントラストの第1パスのCTスキャンから算出される。 診断の信頼性を高めるためには, 画像診断が必要であり, 繰り返しスキャンによる高放射線曝露により, 日常的用途の灌流量を削減する必要がある。
  論文  参考訳（メタデータ） (2020-05-19T21:44:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。