論文の概要: Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling

• arxiv url: http://arxiv.org/abs/2604.07329v1
• Date: Wed, 08 Apr 2026 17:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.663671
• Title: Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling
• Title（参考訳）: Photon-Counting CTの尿中胸部CTへの応用 : 臨床的に検証された劣化モデルによる検討
• Authors: Junqi Liu, Xinze Zhou, Wenxuan Li, Scott Ye, Arkadiusz Sitek, Xiaofeng Yang, Yucheng Tang, Daguang Xu, Kai Ding, Kang Wang, Yang Yang, Alan L. Yuille, Zongwei Zhou,
• Abstract要約: 145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
• 参考スコア（独自算出の注目度）: 51.330452704464925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photon-counting CT (PCCT) provides superior image quality with higher spatial resolution and lower noise compared to conventional energy-integrating CT (EICT), but its limited clinical availability restricts large-scale research and clinical deployment. To bridge this gap, we propose SUMI, a simulated degradation-to-enhancement method that learns to reverse realistic acquisition artifacts in low-quality EICT by leveraging high-quality PCCT as reference. Our central insight is to explicitly model realistic acquisition degradations, transforming PCCT into clinically plausible lower-quality counterparts and learning to invert this process. The simulated degradations were validated for clinical realism by board-certified radiologists, enabling faithful supervision without requiring paired acquisitions at scale. As outcomes of this technical contribution, we: (1) train a latent diffusion model on 1,046 PCCTs, using an autoencoder first pre-trained on both these PCCTs and 405,379 EICTs from 145 hospitals to extract general CT latent features that we release for reuse in other generative medical imaging tasks; (2) construct a large-scale dataset of over 17,316 publicly available EICTs enhanced to PCCT-like quality, with radiologist-validated voxel-wise annotations of airway trees, arteries, veins, lungs, and lobes; and (3) demonstrate substantial improvements: across external data, SUMI outperforms state-of-the-art image translation methods by 15% in SSIM and 20% in PSNR, improves radiologist-rated clinical utility in reader studies, and enhances downstream top-ranking lesion detection performance, increasing sensitivity by up to 15% and F1 score by up to 10%. Our results suggest that emerging imaging advances can be systematically distilled into routine EICT using limited high-quality scans as reference.
• Abstract（参考訳）: 光子計数CT (PCCT) は, 従来のエネルギー統合CT (EICT) と比較して, 空間分解能が高く, ノイズが少なく, 画像品質も優れているが, 大規模な研究や臨床展開には限界がある。 このギャップを埋めるために,高品質なPCCTを基準として,低品質なICTにおける現実的な取得成果の逆転を学習する,シミュレートされた劣化・エンハンスメント手法であるSUMIを提案する。 私たちの中心的な洞察は、現実的な買収の劣化を明示的にモデル化し、PCCTを臨床的に妥当な低品質なものに変換し、このプロセスを逆転させることです。 シミュレーションによる劣化は, 大規模取得を必要とせず, 忠実な管理が可能であった。 本研究の成果として,(1)PCCT 1,046 PCCT 上で潜伏拡散モデルをトレーニングし,まずこれらのPCCT と405,379 EICT の両方で事前訓練したオートエンコーダを用いて,他の再生医療画像タスクで再利用可能な一般的なCT潜伏性特徴を抽出し,(2) PCCT に拡張された17,316 以上の公用 EICT の大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Clinically-Informed Preprocessing Improves Stroke Segmentation in Low-Resource Settings [0.052118759008482306]
  2～9日後にDWIからの注視後病変量を予測するために,入ってくるCT画像を入力として利用する一連のモデルを開発した。 提案したパイプラインは、ベースライン前処理でトレーニングされたnnU-Netモデルと比較して、10倍以上のDiceスコアが38%改善される。
  論文  参考訳（メタデータ） (2025-08-21T23:43:17Z)
• Deep Few-view High-resolution Photon-counting CT at Halved Dose for Extremity Imaging [9.900942764883789]
  ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。 具体的には、GPUメモリを緩和するパッチベースのボリュームリファインメントネットワークを設計し、合成データを用いたトレーニングネットワークを構築し、モデルベースの反復リファインメントを使用して合成データと臨床データのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-19T00:07:48Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer Technique with Contrastive Regularization Mechanism [4.998352078907441]
  放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。 高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。 本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
  論文  参考訳（メタデータ） (2021-12-01T06:46:38Z)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)

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。