論文の概要: Neighbor2Inverse: Self-Supervised Denoising for Low-Dose Region-of-Interest Phase Contrast CT
- arxiv url: http://arxiv.org/abs/2605.01075v1
- Date: Fri, 01 May 2026 20:17:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.569346
- Title: Neighbor2Inverse: Self-Supervised Denoising for Low-Dose Region-of-Interest Phase Contrast CT
- Title（参考訳）: Neighbor2 Inverse:low-Dose Region-of-interest Phase Contrast CTのための自己監督型Denoising
- Abstract要約: 改良された畳み込みニューラルネットベースのデノゲーションは、画質を回復するが、ペア化された低量データセットと高用量データセットに依存する。
臨床CTに一般化した低用量PBI-CTのための自己教師型 denoising framework である Neighbor2Inverse を紹介する。
- 参考スコア（独自算出の注目度）: 3.292132675169194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Propagation-based X-ray phase-contrast imaging (PBI) enables high-contrast visualization of lung structures and holds strong medical potential. However, safe translation to the clinic will require a substantial radiation dose reduction, which inevitably increases image noise. Supervised convolutional-neural-network-based denoising can restore image quality but depends on paired low- and high-dose datasets, which are rarely available in practice. Self-supervised methods avoid this limitation, yet most are not well adapted to the inverse problem of PBI computed tomography (CT). We introduce Neighbor2Inverse, a self-supervised denoising framework designed for low-dose PBI-CT that generalizes to clinical CT. Building on the Neighbor2Neighbor principle, each noisy projection is subsampled into two variants that preserve structural information but contain independent noise realizations. These are reconstructed separately, and the resulting pairs are used to train a denoising network directly in the image domain. We benchmark the proposed method against established analytical and self-supervised denoising approaches. In region-of-interest PBI CT experiments, Neighbor2Inverse achieves superior noise suppression while preserving fine structural details, as demonstrated by improved contrast-to-noise ratio, spatial resolution, and composite image quality metrics. Competitive performance is also observed on clinical CT data under simulated low-dose conditions. This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible. Code, data, and interactive figures are available at https://github.com/J-3TO/Neighbor2Inverse.
- Abstract（参考訳）: プロパゲーションベースのX線位相コントラストイメージング(PBI)は、肺構造の高コントラスト可視化を可能にし、強力な医学的可能性を秘めている。
しかし、クリニックへの安全な翻訳にはかなりの放射線線量削減が必要であり、必然的に画像ノイズを増大させる。
改良された畳み込みニューラルネットベースのデノゲーションは、画像の品質を回復することができるが、実際に利用できることはめったにない、ペア化された低用量データセットと高用量データセットに依存している。
自己教師付き手法はこの制限を回避するが、ほとんどの手法はPBI計算断層撮影(CT)の逆問題にうまく適応していない。
臨床CTに一般化した低用量PBI-CTのための自己教師型 denoising framework である Neighbor2Inverse を紹介する。
Neighbor2Neighborの原理に基づいて、各ノイズプロジェクションは、構造情報を保持するが独立したノイズ実現を含む2つの変種に分割される。
これらは別々に再構成され、結果として得られるペアは、画像領域内でデノナイジングネットワークを直接訓練するために使用される。
提案手法を,確立された分析的・自己監督的認知的アプローチに対して評価する。
興味のあるPBICT実験において、Neighbor2Inverseは、コントラスト/ノイズ比の改善、空間分解能、複合画像品質指標によって示されるように、微細な構造を保ちながら優れたノイズ抑圧を実現する。
また,低用量条件下での臨床CTデータにも競合性が観察された。
この研究はIEEEに提出された。
著作権は無通知で転送され、その後、このバージョンはアクセスできなくなる。
コード、データ、インタラクティブな数字はhttps://github.com/J-3TO/Neighbor2Inverse.comで入手できる。
関連論文リスト
- A deep dictionary network-based foundation model for ultra-low-dose CT denoising [49.70293041079032]
超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。
既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。
深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
論文 参考訳（メタデータ） (2026-09-11T05:14:08Z) - DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。
LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。
我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
論文 参考訳（メタデータ） (2026-06-26T09:55:37Z) - IPv2: An Improved Image Purification Strategy for Real-World Ultra-Low-Dose Lung CT Denoising [1.6574413179773761]
画像浄化戦略は、整列解剖学的構造を有する中間分布を構成する。
この戦略は、画像背景を未処理のままにしながら、胸壁や骨領域のみのノイズを抑制する。
この戦略には肺腺腫を発症するための専用のメカニズムが欠如している。
論文 参考訳（メタデータ） (2026-02-22T19:28:31Z) - SDPA++: A General Framework for Self-Supervised Denoising with Patch Aggregation [1.1123754733827187]
SDPA++: Patch Aggregationを用いたセルフスーパーバイズ・デノーミングのための汎用フレームワークを提案する。
提案手法は, 自己融合と自己教師型復調により, 初めて擬似地下構造画像を生成することで, ノイズの多いOCT画像のみを活用する。
Contrast-to-Noise Ratio(CNR)、Mean Square Ratio(MSR)、Texture Preservation(TP)、Edge Preservation(EP)といったメトリクスを通じて、IEEE Video and Image Processing Cupの実際のデータセットのパフォーマンス改善を検証する。
論文 参考訳（メタデータ） (2025-10-19T04:05:34Z) - A Denoising Framework for Real-World Ultra-Low Dose Lung CT Images Based on an Image Purification Strategy [1.6574413179773761]
超低線量CT(uLDCT)は放射線被曝を著しく減少させるが、重音やアーティファクトをもたらす。
また、uLDCTと正常線量CT(NDCT)画像対の空間的ずれも生じている。
本稿では,画像浄化(IP)戦略に基づく革新的なデノベーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-08T19:40:38Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。
WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文 参考訳（メタデータ） (2024-03-18T11:20:11Z) - 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) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction
Network [10.09577595969254]
CNNに基づくアプローチは、CT画像のすべての領域を等しく扱い、不均一に分布するノイズと共存する微細な構造が共存する場合、非効率である。
本稿では,カーネル予測ネットワークと構造認識損失関数を組み合わせた構造保存カーネル予測ネットワーク(StructKPN)を提案する。
提案手法は, 合成データセットと非合成データセットの両方において優れた性能を達成し, 臨床スクリーニングや低線量プロトコル最適化において望まれる構造を良好に保存する。
論文 参考訳（メタデータ） (2021-05-31T07:42:21Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Self-supervised Denoising via Diffeomorphic Template Estimation:
Application to Optical Coherence Tomography [6.197149831796131]
本稿では, 動き変形を繰り返し取得する際の自己教師型 denoising の利用を可能にする, 共同微分型テンプレート推定およびデノナイジングフレームワークを提案する。
OCT画像のノイズ化には質的,定量的な改善が見られ,マルチ露光に適応可能な画像モダリティに汎用性が期待できる。
論文 参考訳（メタデータ） (2020-08-18T16:52:10Z)
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。