論文の概要: MGMAR: Metal-Guided Metal Artifact Reduction for X-ray Computed Tomography

• arxiv url: http://arxiv.org/abs/2603.13447v1
• Date: Fri, 13 Mar 2026 13:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.218275
• Title: MGMAR: Metal-Guided Metal Artifact Reduction for X-ray Computed Tomography
• Title（参考訳）: MGMAR:X線CTのための金属誘導金属人工物削減
• Authors: Hyoung Suk Park, Kiwan Jeon,
• Abstract要約: 金属インプラントは標準的なCT前方モデルの仮定に反し、重度のストリーキングとシャドーイングアーティファクトを生み出した。 再建パイプライン全体を通して金属関連情報を明示的に活用する金属誘導型MAR法であるMGMARを提案する。 MGMARは最先端のパフォーマンスを達成し、29例の臨床検査で平均0.89点のスコアを得た。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An X-ray computed tomography (CT), metal artifact reduction (MAR) remains a major challenge because metallic implants violate standard CT forward-model assumptions, producing severe streaking and shadowing artifacts that degrade diagnostic quality. We propose MGMAR, a metal-guided MAR method that explicitly leverages metal-related information throughout the reconstruction pipeline. MGMAR first generates a high-quality prior image by training a conditioned implicit neural representation (INR) using metal-unaffected projections, and then incorporates this prior into a normalized MAR (NMAR) framework for projection completion. To improve robustness under severe metal corruption, we pretrain the encoder-conditioned INR on paired metal-corrupted and artifact-free CT images, thereby embedding data-driven prior knowledge into the INR parameter space. This prior-embedded initialization reduces sensitivity to random initialization and accelerates convergence during measurement-specific refinement. The encoder takes a metal-corrupted reconstruction together with a recursively constructed metal artifact image, enabling the latent field to capture metal-dependent global artifact patterns. After projection completion using the INR prior, we further suppress residual artifacts using a metal-conditioned correction network, where the metal mask modulates intermediate features via adaptive instance normalization to target metal-dependent secondary artifacts while preserving anatomical structures. Experiments on the public AAPM-MAR benchmark demonstrate that MGMAR achieves state-of-the-art performance, attaining an average final score of 0.89 on 29 clinical test cases.
• Abstract（参考訳）: X線CT(CT)、金属人工物還元(MAR)は、金属インプラントが標準的なCT前方モデルの仮定に違反し、診断品質を低下させる厳密なストリーキングとシャドーイングアーティファクトを生成するため、依然として大きな課題である。 再建パイプライン全体を通して金属関連情報を明示的に活用する金属誘導型MAR法であるMGMARを提案する。 MGMARはまず、金属の影響を受けない投影を用いて条件付き暗黙のニューラル表現(INR)を訓練して高品質な事前画像を生成し、その後、プロジェクション完了のための正規化MAR(NMAR)フレームワークに組み込む。 重金属破損下でのロバスト性を改善するため, エンコーダ条件付きINRを2枚の金属破損画像と非加工物CT画像にプリトレーニングし, データ駆動による事前知識をINRパラメータ空間に埋め込む。 このプリエンベッドド初期化は、ランダム初期化に対する感度を低下させ、測定特異的精製時の収束を加速させる。 エンコーダは、再帰的に構築された金属アーティファクト画像とともに、金属崩壊した再構築を行い、潜伏場が金属依存のグローバルアーティファクトパターンをキャプチャすることを可能にする。 InRを用いたプロジェクション完了後、金属マスクは、金属依存二次アーティファクトをターゲットとした適応インスタンス正規化により中間特徴を変調し、解剖学的構造を保ちながら、残留アーティファクトをさらに抑制する。 AAPM-MARベンチマークの実験は、MGMARが最先端のパフォーマンスを達成し、29の臨床検査ケースの平均スコア0.89に達することを示した。

関連論文リスト

• MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI [18.47534199434918]
  MRIの金属インプラントは、画像の品質を低下させ、臨床診断を妨げる深刻な人工物を引き起こす。 我々は,加速MRIのためのメタアウェアk空間サンプリングとアーティファクト補正を共同で最適化する統合強化学習フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:53:43Z)
• Reducing CT Metal Artifacts by Learning Latent Space Alignment with Gemstone Spectral Imaging Data [45.94938820436709]
  CTスライス中の金属人工物は、長い間医学的診断において課題を提起してきた。 本稿では,Latent Gemstone Spectral Imaging (GSI) Alignment Frameworkを紹介する。 我々の研究は、アーティファクトに影響を及ぼした普通のCTシーケンスでさえ、詳細な構造を特定するのに十分な情報を含んでいるという重要な発見に基づいている。
  論文  参考訳（メタデータ） (2025-03-27T08:35:10Z)
• Unlocking the Potential of Early Epochs: Uncertainty-aware CT Metal Artifact Reduction [7.4965536794782945]
  CT(Computerd tomography)では、患者の金属インプラントの存在は、再建された画像に破壊的なアーティファクトをもたらすことが多い。 本稿では,初期トレーニング重量の復元結果から算出した不確実性画像が,高周波領域を効果的に強調することを発見した。 本稿では,MARネットワークを金属加工領域に集中させるために,不確実性画像を適応重みとして利用する不確実性制約(UC)損失を提案する。
  論文  参考訳（メタデータ） (2024-06-18T01:36:58Z)
• MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
  金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。 歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。 P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
  論文  参考訳（メタデータ） (2023-11-16T06:02:03Z)
• Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction [48.1445005916672]
  人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。 私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2023-06-27T04:50:58Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Metal Artifact Reduction in 2D CT Images with Self-supervised Cross-domain Learning [30.977044473457]
  金属アーチファクトリダクション(MAR)の新しい深層学習手法を提案する。 我々はニューラルネットワークをトレーニングし、与えられた金属フリーなノモグラムの金属トレース領域値を復元する。 次に、より完全な完了結果を生成するために、新しいFBP再構成損失を設計する。
  論文  参考訳（メタデータ） (2021-09-28T04:40:57Z)
• Encoding Metal Mask Projection for Metal Artifact Reduction in Computed Tomography [21.5885187197634]
  CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。 そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。 我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
  論文  参考訳（メタデータ） (2020-01-02T06:39:06Z)

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。