Fugu-MT 論文翻訳(概要): Conditional Diffusion for 3D CT Volume Reconstruction from 2D X-rays

論文の概要: Conditional Diffusion for 3D CT Volume Reconstruction from 2D X-rays

arxiv url: http://arxiv.org/abs/2603.26509v1
Date: Fri, 27 Mar 2026 15:21:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.563994
Title: Conditional Diffusion for 3D CT Volume Reconstruction from 2D X-rays
Title（参考訳）: 2次元X線からの3次元CTボリューム再構成のための条件拡散
Authors: Martin Rath, Morteza Ghahremani, Yitong Li, Ashkan Taghipour, Marcus Makowski, Christian Wachinger,
Abstract要約: AXONは、実X線から直接高忠実度3DCTボリュームを再構成するフレームワークである。超解像ネットワークは、生成されたボリュームをアップスケールして診断グレードの解像度を達成するために統合される。
参考スコア（独自算出の注目度）: 12.064203765676817
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Computed tomography (CT) provides rich 3D anatomical details but is often constrained by high radiation exposure, substantial costs, and limited availability. While standard chest X-rays are cost-effective and widely accessible, they only provide 2D projections with limited pathological information. Reconstructing 3D CT volumes from 2D X-rays offers a transformative solution to increase diagnostic accessibility, yet existing methods predominantly rely on synthetic X-ray projections, limiting clinical generalization. In this work, we propose AXON, a multi-stage diffusion-based framework that reconstructs high-fidelity 3D CT volumes directly from real X-rays. AXON employs a coarse-to-fine strategy, with a Brownian Bridge diffusion model-based initial stage for global structural synthesis, followed by a ControlNet-based refinement stage for local intensity optimization. It also supports bi-planar X-ray input to mitigate depth ambiguities inherent in 2D-to-3D reconstruction. A super-resolution network is integrated to upscale the generated volumes to achieve diagnostic-grade resolution. Evaluations on both public and external datasets demonstrate that AXON significantly outperforms state-of-the-art baselines, achieving a 11.9% improvement in PSNR and a 11.0% increase in SSIM with robust generalizability across disparate clinical distributions. Our code is available at https://github.com/ai-med/AXON.
Abstract（参考訳）: CT(Computed tomography)は3Dの解剖学的詳細を提供するが、高放射線被曝、相当なコスト、可用性の制限によって制約されることが多い。標準的な胸部X線は費用効率が高く、広くアクセス可能であるが、2Dプロジェクションに限られた病理情報しか提供していない。 2次元X線からの3DCTボリュームの再構成は、診断のアクセシビリティを高めるための変換ソリューションを提供するが、既存の手法は主に合成X線投影に依存し、臨床一般化を制限している。本研究では,実X線から直接高忠実度3DCTボリュームを再構成する多段階拡散に基づくフレームワークであるAXONを提案する。 AXONは粗大な戦略を採用しており、ブラウン橋拡散モデルに基づくグローバル構造合成の初期段階と、局所強度最適化のための制御ネットに基づく改良段階が続く。また、平面X線入力をサポートし、2D-to-3D再構成に固有の奥行きの曖昧さを緩和する。超解像ネットワークは、生成されたボリュームをアップスケールして診断グレードの解像度を達成するために統合される。公的および外部のデータセットによる評価は、AXONが最先端のベースラインを著しく上回り、PSNRが11.9%改善し、SSIMが11.0%増加し、異なる臨床分布で堅牢な一般化性を示した。私たちのコードはhttps://github.com/ai-med/AXON.comで利用可能です。

関連論文リスト

X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
胸部X線撮影における長期肺腫瘍の診断は困難であった。尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
論文参考訳（メタデータ） (2025-12-24T06:14:55Z)
Zero-shot Volumetric CT Super-Resolution using 3D Gaussian Splatting with Upsampled 2D X-ray Projection Priors [3.3659467814492654]
拡散モデルにより生成された2次元X線プロジェクションのアップサンプリングを利用する新しいゼロショット3次元CT SRフレームワークを提案する。 2つのデータセットに対する実験により,本手法は3次元CT SRにおいて優れた定量的,定性的な結果が得られることが示された。
論文参考訳（メタデータ） (2025-08-21T01:24:06Z)
Latent Space Consistency for Sparse-View CT Reconstruction [10.057432803124167]
潜在拡散モデル(LDM)は3次元CTの領域において有望な可能性を証明している。 2次元X線画像から潜伏した3D情報を効率的に抽出するために、クロスモーダル特徴コントラスト学習を用いる。その結果, CLS-DMは標準的なボクセルレベルの指標で古典的, 最先端の生成モデルよりも優れていた。
論文参考訳（メタデータ） (2025-07-15T10:02:19Z)
X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography [89.84588038174721]
Computed Tomographyは臨床において必須のツールであり、内部解剖学的構造を非侵襲的に可視化する。既存のCT再構成作業は、小さなキャパシティモデルアーキテクチャと非フレキシブルボリューム表現に限られている。スパースビュー2次元X線プロジェクションから3次元CTボリュームを再構成する大規模なフィードフォワードモデルであるX-GRMを提案する。
論文参考訳（メタデータ） (2025-05-21T08:14:10Z)
X-Field: A Physically Grounded Representation for 3D X-ray Reconstruction [25.13707706037451]
医療診断にはX線撮影が不可欠であるが、その使用は潜在的な健康リスクのために厳しく規制されている。最近の研究は、スパース入力から新しいビューを生成し、CT(Computed Tomography)ボリュームを再構築することに焦点を当てている。我々はX線画像に特化して設計された最初の3D表現であるX-Fieldを紹介する。
論文参考訳（メタデータ） (2025-03-11T16:31:56Z)
X-LRM: X-ray Large Reconstruction Model for Extremely Sparse-View Computed Tomography Recovery in One Second [52.11676689269379]
スパースビュー3次元CT再構成は, 限られた2次元X線投影から構造を復元することを目的としている。既存のフィードフォワード手法は、CNNベースのアーキテクチャの限られた能力と大規模なトレーニングデータセットの不足によって制約される。 X線大画像再構成モデル(X-LRM)を提案する。
論文参考訳（メタデータ） (2025-03-09T01:39:59Z)
DiffuX2CT: Diffusion Learning to Reconstruct CT Images from Biplanar X-Rays [41.393567374399524]
条件拡散過程として超スパースX線からのCT再構成をモデル化したDiffuX2CTを提案する。これにより、DiffuX2CTは2次元X線から3次元構造情報を復元できる構造制御可能な再構成を実現する。コントリビューションとして,LumbarVと呼ばれる実世界の腰椎CTデータセットを新しいベンチマークとして収集し,X線からのCT再構成の臨床的意義と性能を検証した。
論文参考訳（メタデータ） (2024-07-18T14:20:04Z)
X-ray2CTPA: Leveraging Diffusion Models to Enhance Pulmonary Embolism Classification [24.233484690096898]
胸部X線または胸部X線撮影(CXR)はCTスキャンと比較して限られた画像撮影を可能にする。 CTスキャンはCXRよりもコストが高く、放射線被曝も大きく、アクセス性も低い。本研究では,2次元低コントラスト分解能X線入力から3次元高コントラストおよび空間分解能Aスキャンへのクロスモーダル変換について検討する。
論文参考訳（メタデータ） (2024-06-23T13:53:35Z)
R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文参考訳（メタデータ） (2024-05-31T08:39:02Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)

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。