論文の概要: GraphMAR: Geometry-Aware Graph Learning Framework for Spatially Adaptive CT Metal Artifact Reduction

• arxiv url: http://arxiv.org/abs/2605.17343v1
• Date: Sun, 17 May 2026 09:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.910179
• Title: GraphMAR: Geometry-Aware Graph Learning Framework for Spatially Adaptive CT Metal Artifact Reduction
• Title（参考訳）: GraphMAR:空間適応型CT金属アーチファクト削減のための幾何学的グラフ学習フレームワーク
• Authors: Zilong Li, Chenglong Ma, Yiming Lei, Yuanlin Li, Jing Han, Jiannan Liu, Huidong Xie, Junping Zhang, Yi Zhang, Hongming Shan,
• Abstract要約: シングラム領域法は、金属の痕跡のような明示的な幾何学的手がかりを利用して、金属が腐食した測定を識別することができる。 画像ドメインの手法はより柔軟で広く適用できるが、通常は同等の幾何学的ガイダンスを欠いている。 本稿では,空間適応型MARと明示的アーティファクト識別のための幾何学的学習フレームワークであるGraphMARを提案する。
• 参考スコア（独自算出の注目度）: 51.67730348898008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) metal artifact reduction (MAR) aims to reduce the severe streaking artifacts induced by metallic implants and other high-density objects. Effective MAR generally requires both accurate artifact localization and artifact removal. Sinogram-domain methods can exploit explicit geometric cues, such as metal traces, to identify metal-corrupted measurements, while requiring raw projection data, which is often unavailable in clinical and practical scenarios. Image-domain methods are more flexible and widely applicable, yet they usually lack comparable geometric guidance, limiting their ability to localize artifacts and leading to suboptimal results. To address this limitation, we propose GraphMAR, a geometry-aware learning framework for explicit artifact identification and spatially adaptive MAR in the image domain. The key idea is to introduce graph-based geometric modeling as an image-domain analogue of sinogram metal traces. Specifically, we first construct a geometric graph from the metal mask and derive a geometric density graph that coarsely localizes artifact-prone regions according to inter-implant geometry. We then design GraphMoE, a graph-routed mixture-of-experts module that builds a polar-coordinate artifact graph in feature space and adaptively routes different experts to different spatial regions for MAR. By aligning the learned routing maps with the geometric density graph, GraphMAR provides explicit and interpretable artifact localization while enabling region-adaptive artifact reduction. Experiments on both simulated and real-world datasets demonstrate that GraphMAR achieves superior MAR performance compared with existing methods. To the best of our knowledge, this is the first work to introduce graph-based modeling for CT MAR and to enable explicit artifact identification in the image domain, improving both restoration quality and interpretability.
• Abstract（参考訳）: CT(CT)金属人工物還元(MAR)は、金属インプラントやその他の高密度物体によって引き起こされる重度のストリーキングアーティファクトを減らすことを目的としている。 有効なMARは、一般的に正確なアーティファクトローカライゼーションとアーティファクト削除の両方を必要とする。 シングラム領域法は、金属の痕跡のような明示的な幾何学的手がかりを利用して、金属が破損した測定を識別する。 画像ドメインメソッドはより柔軟で広く適用できるが、通常は同等の幾何学的ガイダンスがなく、アーティファクトをローカライズする能力が制限され、準最適結果をもたらす。 この制限に対処するために、画像領域における明示的なアーティファクト識別と空間適応的MARのための幾何学的学習フレームワークであるGraphMARを提案する。 鍵となる考え方は、シノグラム金属トレースのイメージドメインアナログとしてグラフベースの幾何学的モデリングを導入することである。 具体的には、まず金属マスクから幾何グラフを構築し、実装間幾何に基づいてアーティファクト・プロン領域を粗い局所化する幾何密度グラフを導出する。 そこで我々は,特徴空間に極座標のアーティファクトグラフを構築し,異なる専門家をMARのために異なる空間領域に適応的にルーティングするグラフロート・ミックス・オブ・エキスパート・モジュールであるGraphMoEを設計する。 学習したルーティングマップを幾何密度グラフに合わせることで、GraphMARは、領域適応的なアーティファクト削減を実現しつつ、明示的で解釈可能なアーティファクトローカライゼーションを提供する。 シミュレーションと実世界の両方のデータセットの実験は、GraphMARが既存の方法と比較して優れたMARパフォーマンスを達成することを示した。 我々の知る限り、CT MARのためのグラフベースのモデリングを導入し、画像領域における明示的なアーティファクト識別を可能にし、復元品質と解釈可能性の両方を改善した最初の試みである。

関連論文リスト

• Graph Smoothing for Enhanced Local Geometry Learning in Point Cloud Analysis [19.545338629365894]
  グラフベースの手法は、3Dポイントクラウド分析のポイント間の関係を捉えるのに有効であることが証明されている。 これらの手法は、境界点における疎結合とジャンクション領域におけるノイズ結合により、しばしば準最適グラフ構造に悩まされる。 グラフ構造を最適化し、信頼できないスパース接続とノイズ接続の負の影響を最小限に抑えるために設計されたグラフ平滑化モジュールを導入する。
  論文  参考訳（メタデータ） (2026-01-16T09:01:44Z)
• Beyond MMD: Evaluating Graph Generative Models with Geometric Deep Learning [0.0]
  グラフ生成モデル(GGM)は、現実的なグラフを生成する問題に対する有望な解決策として登場した。 本稿では,MMD(Maximum Mean Discrepancy)の限界を克服するGGMの評価手法を提案する。 本稿では,グラフリカレントアテンションネットワーク(GRAN)とグラフジェネレーティブモデル(EDGE)の総合評価を行う。
  論文  参考訳（メタデータ） (2025-12-16T09:51:44Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• 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)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Graph Convolution with Low-rank Learnable Local Filters [32.00396411583352]
  本稿では,学習可能な低ランク局所フィルタを用いた新しいグラフ畳み込み手法を提案する。 従来のスペクトルグラフ畳み込み法よりも明らかに表現力が高い。 入力グラフデータに対する表現は理論的に証明され、グラフフィルタの局所性と局所グラフの正規化を利用する。
  論文  参考訳（メタデータ） (2020-08-04T20:34:59Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Encoding Metal Mask Projection for Metal Artifact Reduction in Computed Tomography [21.5885187197634]
  CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。 そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。 我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
  論文  参考訳（メタデータ） (2020-01-02T06:39:06Z)

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。