論文の概要: CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation

• arxiv url: http://arxiv.org/abs/2605.16431v1
• Date: Thu, 14 May 2026 19:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.397406
• Title: CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation
• Title（参考訳）: CT-DegradBench:CT劣化検出と重症度推定のための物理インフォームドベンチマーク
• Authors: Yousra Nabila Taifour, Marouane Tliba, Zuheng Ming, Marie Luong, Nour Aburaed, Aladine Chetouani, Gorkem Durak, Alessandro Bruno, Faouzi Alaya Cheikh, Habib Zaidi, Ulas Bagci, Azeddine Beghdadi,
• Abstract要約: 我々は,CT劣化検出と重度推定のためのデータセットとベンチマークであるCT-DegradBenchを提案する。 本稿では,医用視覚言語モデルのセマンティック先行と,人工物分析のための補完周波数領域キューを組み合わせたフレームワークであるSeSpeCTを提案する。
• 参考スコア（独自算出の注目度）: 42.85377247586073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computed tomography (CT) images are frequently degraded by acquisition artifacts, including noise, blur, streaking, aliasing, and metal artifacts. Yet CT enhancement is still largely evaluated using image quality metrics with limited perceptual and clinical validity, while existing datasets remain focused on isolated restoration tasks, hindering unified benchmarking across diverse degradation types. We present CT-DegradBench, a dataset and benchmark for CT degradation detection and severity estimation under controlled single- and mixed-artifact settings. CT-DegradBench enables systematic evaluation across multiple degradation families and severity levels within a common experimental framework. We further propose SeSpeCT (Semantic-Spectral CT degradation estimation), a framework that combines semantic priors from medical vision-language models with complementary frequency-domain cues for artifact analysis. SeSpeCT constructs a training-free semantic quality axis in the multimodal embedding space using radiology-informed text prompts, without task-specific fine-tuning, and combines it with spectral features that capture degradation-specific frequency patterns. The resulting representation enables joint prediction of artifact type and severity. Experimental results show that SeSpeCT consistently outperforms the evaluated baselines under both single- and mixed-degradation settings. The framework is available at https://github.com/yousranb/CT-DEGRADBENCH.
• Abstract（参考訳）: CT画像は、ノイズ、ブラー、ストリーキング、エイリアス、金属のアーティファクトなどの取得アーティファクトによってしばしば劣化する。 しかし、CT強調は知覚的および臨床的妥当性に制限のある画像品質指標を用いて評価され、既存のデータセットは孤立した修復作業に集中し、多様な劣化タイプに対する統一的なベンチマークを妨げている。 本稿では,CT劣化検出と重大度推定のためのデータセットとベンチマークであるCT-DegradBenchについて述べる。 CT-DegradBenchは、共通の実験フレームワーク内で、複数の分解ファミリーと重度レベルの体系的な評価を可能にする。 また,SeSpeCT (Semantic-Spectral CT degradation Estimation) という,医用視覚言語モデルからのセマンティック先行情報と,人工物分析のための補完周波数領域キューを組み合わせたフレームワークを提案する。 SeSpeCTは、タスク固有の微調整なしに、ラジオロジーインフォームドテキストプロンプトを使用して、マルチモーダル埋め込み空間におけるトレーニング不要なセマンティックな品質軸を構築し、分解固有の周波数パターンをキャプチャするスペクトル特徴と組み合わせる。 結果の表現は、アーティファクトタイプと重大性の共同予測を可能にする。 実験結果から,SeSpeCTは単一劣化条件と混合劣化条件の両方で評価基準線を一貫して上回ることがわかった。 このフレームワークはhttps://github.com/yousranb/CT-DEGRADBENCHで入手できる。

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)
• CT-Bench: A Benchmark for Multimodal Lesion Understanding in Computed Tomography [16.912129516334783]
  CT-BenchはCTの病変解析のための第一種ベンチマークデータセットである これは、境界ボックス、記述、サイズ情報を含む7,795のCT研究から20,335の病変と、病変の局在、記述、サイズ推定、属性分類を含む2,850のQAペアからなる視覚的質問応答ベンチマークを含む。 視覚言語および医療用CLIPの変種を含む最先端マルチモーダルモデルの評価を,放射線医学的評価との比較により行った。
  論文  参考訳（メタデータ） (2026-02-16T16:10:19Z)
• Multi-Stage Residual-Aware Unsupervised Deep Learning Framework for Consistent Ultrasound Strain Elastography [0.9698885636466451]
  Ultrasound Strain Elastography (USE)は、組織力学的特性を評価するための強力な非侵襲イメージング技術である。 我々は,頑健かつ一貫したひずみ推定のための残差認識・多段階非教師付き逐次ディープラーニングフレームワークであるMUSSE-Netを提案する。 MUSSE-Netは24.54の目標SNR、132.76のバックグラウンドSNR、59.81のCNR、9.73のエラストグラフSNRで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-19T17:22:25Z)
• Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
  コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。 近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。 本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:09:01Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Anatomically constrained CT image translation for heterogeneous blood vessel segmentation [3.88838725116957]
  造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。 放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。 CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。 本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
  論文  参考訳（メタデータ） (2022-10-04T16:14:49Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。