論文の概要: RA-CMF: Region-Adaptive Conditional MeanFlow for CT Image Reconstruction

• arxiv url: http://arxiv.org/abs/2605.00901v1
• Date: Tue, 28 Apr 2026 18:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.465772
• Title: RA-CMF: Region-Adaptive Conditional MeanFlow for CT Image Reconstruction
• Title（参考訳）: RA-CMF : CT画像再構成のための領域適応型条件付き平均流
• Authors: Md Shifatul Ahsan Apurba, Md Selim, Jin Chen,
• Abstract要約: 我々はCT画像再構成のための条件付きMeanFlowパイプラインを開発した。 地域強化学習型政策ネットワークを我々のアプローチに統合する。 提案手法は,条件付きフローに基づく拡張と強化学習に基づく空間拡張制御を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 3.3357630091319463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of CT imaging is important for screening, diagnosis, therapy planning, and prognosis of lung cancers. Unfortunately, due to differences in imaging protocols and scanner models, CT images acquired by different means may show large differences in noise statistics, contrast, and texture. In this study, we develop a novel conditional MeanFlow pipeline for CT image reconstruction. We introduce a conditional MeanFlow network that models the enhancement trajectory by predicting image-conditioned flow fields given intermediate image states. The image enhancement network is trained with a MeanFlow consistency loss along with the image reconstruction loss. In order to provide an adaptive refinement process in terms of spatial location of enhancements, we integrate a regional reinforcement learning-driven policy network into our approach. The policy network receives information about the MeanFlow rollouts and provides predictions in terms of tile-wise refinement budgets, stopping criteria, and total budget allocation of enhancement processes. Our policy network is trained through reinforcement learning in a policy gradient framework, where the goal of the training reward is to maximize improvement of enhancements while minimizing unnecessary computations and avoiding instabilities. In this way, our approach combines conditional flow-based enhancement with reinforcement learning-based spatial enhancement control. This allows our approach to focus more attention on enhancing difficult areas while stabilizing areas already showing sufficient quality. Our results show high accuracy in the tumor ROI, with the average radiomic feature CCC being 0.96, an average PSNR of 31.30 $\pm$ 4.16, and average SSIM of 0.94 $\pm$ 0.07. Moreover, there is an improvement in the overall quality of images, with an average PSNR of 34.23 $\pm$ 1.71 and average SSIM of 0.95 $\pm$ 0.01.
• Abstract（参考訳）: CT画像の利用は、肺癌のスクリーニング、診断、治療計画、予後に重要である。 残念なことに、画像プロトコルとスキャナーモデルの違いにより、異なる方法で取得したCT画像は、ノイズ統計、コントラスト、テクスチャに大きな違いを示す可能性がある。 本研究では,CT画像再構成のための条件付きMeanFlowパイプラインを開発した。 本研究では,中間画像状態の条件付き流れ場を予測し,拡張軌道をモデル化する条件付きMeanFlowネットワークを提案する。 画像強化ネットワークは、画像再構成損失とともに、MeanFlow一貫性損失でトレーニングされる。 拡張の空間的位置に関して適応的な改善プロセスを提供するため,我々は地域強化学習型政策ネットワークを我々のアプローチに統合した。 政策ネットワークは、MeanFlowのロールアウトに関する情報を受信し、タイルワイズ改良予算、基準の停止、拡張プロセスの総予算配分の観点から予測を提供する。 政策ネットワークは,不必要な計算を最小化し,不安定を回避しつつ,改善の最大化を目標とする政策勾配フレームワークの強化学習を通じて訓練される。 このようにして、条件付きフローに基づく拡張と強化学習に基づく空間拡張制御を組み合わせる。 これにより、我々のアプローチは、既に十分な品質を示す領域を安定化しながら、困難な領域の強化にもっと注意を向けることができます。 CCCは0.96,PSNRは31.30$\pm$4.16,SSIMは0.94$\pm$0.07であった。 さらに画像の全体的な品質も改善され、PSNRの平均は34.23$\pm$ 1.71、SSIMの平均は0.95$\pm$ 0.01である。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  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。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• Diffusion Posterior Sampling for Super-Resolution under Gaussian Measurement Noise [0.0]
  単一画像超解像(SISR)のための拡散後サンプリング(DPS)に関する研究 我々は,非条件拡散と勾配に基づく条件付けを併用した,確率誘導型サンプリング手法を実装した。 誘導尺度と雑音レベルによる後部サンプリング(PS)条件の評価を行った。
  論文  参考訳（メタデータ） (2025-12-25T22:22:53Z)
• Enhancing Low Dose Computed Tomography Images Using Consistency Training Techniques [7.694256285730863]
  本稿では,雑音レベル調整の柔軟性を提供するベータノイズ分布について紹介する。 HN-iCT(High Noise Improved Consistency Training)は、教師付き方式で訓練される。 以上の結果より,HN-iCTを用いた非条件画像生成はNFE=1。
  論文  参考訳（メタデータ） (2024-11-19T02:48:36Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。 反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。 提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• PFCM: Poisson flow consistency models for low-dose CT image denoising [3.3153763098433258]
  PFCMは,PFGM++のロバスト性と一貫性モデルの効率的な単一ステップサンプリングを組み合わせた,深層生成モデルの新たなファミリーである。 我々は, PFCM を低用量CT画像復調作業に応用するために, 生成過程をハイジャックするタスク種別サンプリング装置を用いて活用する。 その結果, LPIPS, SSIM, PSNRを用いて, マヨ低線量CTデータセット上で優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-13T01:39:56Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Cross-domain Self-supervised Framework for Photoacoustic Computed Tomography Image Reconstruction [4.769412124596113]
  純粋なトランスモデルを用いたクロスドメイン非教師付き再構築(CDUR)戦略を提案する。 モデルに基づく自己監督型再構成を実装し、自己監督を利用して計測と画像の整合性を強制する。 マウスのin-vivo PACTデータセットの実験結果は、我々の教師なしフレームワークの可能性を示している。
  論文  参考訳（メタデータ） (2023-01-17T03:47:01Z)
• 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)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)

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。