論文の概要: Rethinking Cross-Dose PET Denoising: Mitigating Averaging Effects via Residual Noise Learning

• arxiv url: http://arxiv.org/abs/2604.16925v1
• Date: Sat, 18 Apr 2026 09:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.240336
• Title: Rethinking Cross-Dose PET Denoising: Mitigating Averaging Effects via Residual Noise Learning
• Title（参考訳）: PETのクロスドーズ化再考:残留雑音学習による平均化効果の緩和
• Authors: Yichao Liu, Zongru Shao, Yueyang Teng, Junwen Guo,
• Abstract要約: 低線量ポジトロン放射トモグラフィー(LDPET)のためのクロス・ドーズ・デノナイジングは、単一ノイズレベルで訓練されたモデルの限定的な一般化に対処するために提案されている。 本稿では,低線量PET画像から直接ノイズを推定する残雑音学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.0226843660257225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-dose denoising for low-dose positron emission tomography (LDPET) has been proposed to address the limited generalization of models trained at a single noise level. In practice, neural networks trained on a specific dose level often fail to generalize to other dose conditions due to variations in noise magnitude and statistical properties. Conventional "one-size-for-all" models attempt to handle this variability but tend to learn averaged representations across noise levels, resulting in degraded performance. In this work, we analyze this limitation and show that standard training formulations implicitly optimize an expectation over heterogeneous noise distributions. To this end, we propose a unified residual noise learning framework that estimates noise directly from low-dose PET images rather than predicting full-dose images. Experiments on large-scale multi-dose PET datasets from two medical centers demonstrate that the proposed method outperforms the "one-size-for-all" model, individual dose-specific U-Net models, and dose-conditioned approaches, achieving improved denoising performance. These results indicate that residual noise learning effectively mitigates the averaging effect and enhances generalization for cross-dose PET denoising.
• Abstract（参考訳）: 低線量ポジトロン放射トモグラフィー(LDPET)のためのクロス・ドーズ・デノナイジングは、単一ノイズレベルで訓練されたモデルの限定的な一般化に対処するために提案されている。 実際には、特定の線量レベルで訓練されたニューラルネットワークは、雑音の大きさや統計特性の変化により、他の線量条件に一般化できないことが多い。 従来の"ワンサイズ・フォー・オール(one-size-for-all)"モデルは、この変動に対処しようとするが、ノイズレベルの平均表現を学習する傾向があり、結果として性能が低下する。 本研究では,この制限を解析し,異種雑音分布に対する予測を暗黙的に最適化することを示す。 そこで本研究では,低線量PET画像から直接ノイズを推定する残雑音学習フレームワークを提案する。 2つの医療センターから得られた大規模多量PETデータセットの実験により、提案手法は、"one-size-for-all"モデル、個々の用量特化U-Netモデル、および線量条件付きアプローチよりも優れた性能を示し、復調性能の向上を実現している。 これらの結果から,残音学習は平均化効果を効果的に軽減し,クロスドーズPETの一般化を促進することが示唆された。

関連論文リスト

• Transformers Learn the Optimal DDPM Denoiser for Multi-Token GMMs [13.741630476895773]
  本稿では,変圧器を用いた拡散モデルのトレーニングのための最初の収束解析を行う。 人口の拡散確率モデル (DDPM) の目的を, 人口の分散確率モデル (DDPM) とみなす。 より深い調査により、トレーニングされた平均偏極モジュールは、拡散ステップにおける注入音の最小値平均正方形誤差(MMSE)を近似することができることが明らかになった。
  論文  参考訳（メタデータ） (2026-04-11T07:46:15Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Fed-NDIF: A Noise-Embedded Federated Diffusion Model For Low-Count Whole-Body PET Denoising [16.937074760667745]
  LCPET (low-count positron emission tomography) は、患者の放射線曝露を減少させるが、画像ノイズの増加と病変検出性の低下に悩まされることが多い。 拡散モデルでは、劣化した画像の品質を回復するLCPET復調が期待できる。 本稿では,これらの課題に対処するために,新しいノイズ埋め込み型フェデレート学習拡散モデル(Fed-NDIF)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T18:37:46Z)
• Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet [3.83243615095535]
  近年の深層学習に基づく denoising 手法は,臨床環境の多様性に適応する上で課題に直面している。 全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T03:06:47Z)
• Volumetric Conditional Score-based Residual Diffusion Model for PET/MR Denoising [13.694516702501097]
  PETイメージングは、分子および生理過程の定量的評価を提供する強力なモダリティである。 PET画像における内在性高ノイズレベルからPET脱ノイズの必要性が生じる。 条件スコアに基づくResidual Diffusion(CSRD)モデルでは,高精細なスコア関数と3Dパッチワイドトレーニング戦略を取り入れることで,これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-09-30T19:35:22Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
  雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。 我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
  論文  参考訳（メタデータ） (2022-12-14T08:19:30Z)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。