論文の概要: H3D-MarNet: Wavelet-Guided Dual-Path Learning for Metal Artifact Suppression and CT Modality Transformation for Radiotherapy Workflows

• arxiv url: http://arxiv.org/abs/2605.12252v1
• Date: Tue, 12 May 2026 15:21:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.957611
• Title: H3D-MarNet: Wavelet-Guided Dual-Path Learning for Metal Artifact Suppression and CT Modality Transformation for Radiotherapy Workflows
• Title（参考訳）: H3D-MarNet: 金属アーチファクト抑制のためのウェーブレット誘導デュアルパス学習と放射線治療ワークフローのためのCTモダリティ変換
• Authors: Mubashara Rehman, Niki Martinel, Michele Avanzo, Riccardo Spizzo, Christian Micheloni,
• Abstract要約: H3D-MarNetはアーティファクト対応のCTドメイン変換のための2段階のフレームワークである。 ウェーブレットベースの前処理モジュールは、金属誘起アーティファクトを抑制する。 第2段階では、Domain-TransNetはkVCT-to-MVCTドメイン変換を実行する。
• 参考スコア（独自算出の注目度）: 9.903943384975856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal artifacts in computed tomography (CT) severely degrade image quality, compromising diagnostic accuracy and radiotherapy planning, especially in cancer patients with high-density implants. We propose H3D-MarNet, a two-stage framework for artifact-aware CT domain transformation from kilo-voltage CT (kVCT) to mega-voltage CT (MVCT). In the first stage, a wavelet-based preprocessing module suppresses metal-induced artifacts through frequency-aware denoising while preserving anatomical structures. In second stage, Domain-TransNet performs kVCT-to-MVCT domain transformation using a hybrid volumetric learning architecture. Domain-TransNet integrates a CNN-based encoder to capture fine-grained local anatomical details and a transformer-based encoder to model long-range volumetric dependencies. The complementary representations are fused through an attention-based feature fusion mechanism to ensure spatial and contextual coherence across slices. A multi-stage, attention-guided decoder, supported by deep supervision, progressively reconstructs artifact-suppressed MVCT volumes. Extensive experiments demonstrate that H3D-MarNet achieves 28.14 dB PSNR and 0.717 SSIM on artifact-affected slices from full dataset, indicating effective metal artifact suppression and anatomical preservation, highlighting its potential for reliable CT modality transformation in clinical radiotherapy workflows.
• Abstract（参考訳）: CT(Computed tomography)における金属人工物は画像品質を著しく低下させ、特に高密度インプラントを有するがん患者において、診断精度と放射線治療計画の改善を図った。 H3D-MarNetは,kVCTからMVCTへのアーティファクト認識型CTドメイン変換のための2段階のフレームワークである。 第1段階では、ウェーブレットベースの前処理モジュールは、解剖学的構造を保ちながら、周波数認識のデノイングを通じて金属誘起のアーティファクトを抑制する。 第2段階では、ハイブリッドボリューム学習アーキテクチャを用いてkVCT-to-MVCTドメイン変換を行う。 Domain-TransNetはCNNベースのエンコーダを統合し、微細な局所解剖学的詳細をキャプチャし、トランスフォーマーベースのエンコーダを使用して長距離ボリューム依存をモデル化する。 相補表現は、スライス間の空間的および文脈的コヒーレンスを保証するために、注意に基づく特徴融合機構を介して融合される。 多段の注意誘導デコーダは、深い監督によって支持され、徐々に人工物圧縮MVTボリュームを再構築する。 大規模な実験により、H3D-MarNetは、全データセットから人工骨の影響を受けたスライスに対して28.14dB PSNRと0.717SSIMを達成し、効果的な金属アーチファクトの抑制と解剖学的保存を示し、臨床放射線治療ワークフローにおけるCTモダリティ変換の可能性を強調した。

関連論文リスト

• 3D Ultrasound-Derived Pseudo-CT Synthesis Using a Transformer-Augmented Residual Network for Real-Time Operator Guidance [0.0]
  超音波(US)は非イオン化であり、広くアクセス可能であるが、操作性が高く、定量的な組織特性が欠如している。 本研究は,USから推定されるCTのような解剖学的基準量を生成する3D超音波による擬似CTフレームワークを提案する。 提案手法は, 構造的忠実度と知覚的画像品質において, 確立されたベースラインより優れる。
  論文  参考訳（メタデータ） (2026-05-06T12:52:59Z)
• Learning from Compressed CT: Feature Attention Style Transfer and Structured Factorized Projections for Resource-Efficient Medical Image Analysis [0.18352113484137622]
  Feature Attention Style Transfer (FAST) は、高忠実度CT表現から圧縮入力で動作するビジュアルエンコーダへ転送する新しいフレームワークである。 構造因子射影(Structured Factorized Projection, SFP)は、高密度射影層に対するパラメータ効率の代替であり、パラメータをほぼ半分削減する。 対照的な学習パイプラインであるCT-Liteは、これらのコンポーネントをSigLIPベースの客観的アライメント目標と統合します。
  論文  参考訳（メタデータ） (2026-05-01T06:35:53Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• Flow Matching for Conditional MRI-CT and CBCT-CT Image Synthesis [0.0]
  Flow Matching frameworkは、MRIまたはCBCT画像から合成CTを生成するために使用される。 3つの解剖学的領域にわたるMRI sCT と CBCT sCT のモデルを訓練する。 その結果,グローバルな解剖学的構造を正確に再構築できることが示唆された。 今後の研究は、パッチベースのトレーニングとラテントスペースフローモデルを使って、解像度と局所的な構造的忠実性を改善することである。
  論文  参考訳（メタデータ） (2025-10-06T14:07:03Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 3D Wavelet Latent Diffusion Model for Whole-Body MR-to-CT Modality Translation [13.252652406393205]
  既存の全身画像のためのMR-to-CT法では、生成したCT画像と入力したMR画像との空間的アライメントが低くなることが多い。 本稿では,これらの制約に対処する新しい3次元ウェーブレット遅延拡散モデル(3D-WLDM)を提案する。 エンコーダ・デコーダアーキテクチャにWavelet Residual Moduleを組み込むことで,画像空間と潜伏空間をまたいだ微細な特徴の捕捉と再構築が促進される。
  論文  参考訳（メタデータ） (2025-07-14T06:17:05Z)
• ReMAR-DS: Recalibrated Feature Learning for Metal Artifact Reduction and CT Domain Transformation [12.205008231517326]
  kVCT画像のアーチファクトは画像品質を低下させ、臨床的決定に影響を及ぼす。 我々は,kVCTからMega-Voltage CT(MVCT)へのメタアーティファクトリダクションとドメイン変換のためのディープラーニングフレームワークを提案する。 提案するフレームワークであるReMAR-DSは、エンコーダ・デコーダアーキテクチャを利用して、機能リカバリを強化し、解剖学的構造を保ちながらアーティファクトを効果的に削減する。
  論文  参考訳（メタデータ） (2025-06-24T11:34:35Z)
• MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
  金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。 歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。 P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
  論文  参考訳（メタデータ） (2023-11-16T06:02:03Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• 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)

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。