論文の概要: High-Fidelity ROI CT Reconstruction with Limited Quantum Resources via Hybrid Classical-Quantum Refinement
- arxiv url: http://arxiv.org/abs/2605.29472v1
- Date: Thu, 28 May 2026 07:04:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.879081
- Title: High-Fidelity ROI CT Reconstruction with Limited Quantum Resources via Hybrid Classical-Quantum Refinement
- Title（参考訳）: ハイブリッド古典量子微細化による限られた量子資源を用いた高忠実度ROICT再構成
- Abstract要約: 我々は、全画像量子再構成のためのハイブリッドな関心領域(ROI)改善フレームワークを提案する。
この戦略は、目標領域における高忠実度再構築を維持しながら、有効なQUBOサイズを低減させる。
QTR/QCSTR+QTR/QCSTRおよびSART+QTR/QCSTRは,中等度の症例に対して正確なROI再構成を実現する。
- 参考スコア（独自算出の注目度）: 3.8828314177087475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum optimization for computed tomography (CT) reconstruction is constrained by the number of binary variables required for image representation, making direct whole-image quantum reconstruction difficult for large or structurally complex objects. We propose a hybrid region-of-interest (ROI) refinement framework in which a coarse global image is first reconstructed by quantum tomographic reconstruction (QTR) and quantum compressed sensing tomographic reconstruction (QCSTR), filtered backprojection (FBP), or simultaneous algebraic reconstruction technique (SART), and quantum optimization is then applied only to the selected ROI through a residual projection-image formulation. This strategy reduces the effective QUBO size while preserving high-fidelity reconstruction in the target region. Experiments on three discrete phantom samples show that both QTR/QCSTR+QTR/QCSTR and SART+QTR/QCSTR achieve accurate ROI reconstruction for moderate-size cases under a reduced-angle setting. For the largest and most complex sample, the quality of the coarse global estimate becomes critical, and the best result is obtained when a stable classical coarse reconstruction is combined with second-stage ROI-only QTR/QCSTR. Among the tested pipelines, SART+QTR/QCSTR achieves the lowest average ROI RMSE and MAE. The results indicate that the practical advantage of quantum-assisted CT reconstruction lies in reserving quantum optimization for local refinement while using classical reconstruction to stabilize the global background.
- Abstract（参考訳）: 計算トモグラフィ(CT)再構成の量子最適化は、画像表現に必要なバイナリ変数の数によって制約されるため、大または構造的に複雑なオブジェクトに対して直接像全体の量子再構成が困難になる。
本稿では、まず、量子トモグラフィ再構成(QTR)と量子圧縮センシングトモグラフィ再構成(QCSTR)、フィルタバックプロジェクション(FBP)、あるいは同時代数的再構成技術(SART)により、粗い大域画像を初めて再構成し、その後、残射像定式化によって選択されたROIのみに量子最適化を適用するハイブリッドな関心領域(ROI)改善フレームワークを提案する。
この戦略は、ターゲット領域における高忠実度再構築を維持しながら、有効なQUBOサイズを削減する。
QTR/QCSTR+QTR/QCSTRおよびSART+QTR/QCSTRの3つの離散ファントム試料を用いた実験により,中等度症例に対して低角条件下で精度の高いROI再構成が得られた。
最大かつ最も複雑なサンプルでは、粗大域推定の品質が重要となり、安定な古典的粗大域再構成と第二段階ROIのみのQTR/QCSTRを組み合わせれば、最もよい結果が得られる。
テストパイプラインの中では、SART+QTR/QCSTRが最も低いROIRMSEとMAEを達成する。
その結果, 量子支援CT再構成の実用的利点は, 地球環境を安定させるために古典的再構成を用いながら, 局所改善のための量子最適化を保存できることが示唆された。
関連論文リスト
- Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。
最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。
CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
論文 参考訳（メタデータ） (2026-06-16T06:01:36Z) - Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。
学習力学をさらに強化するために,平均速度損失を導入する。
シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-10-02T11:32:00Z) - GENRE-CMR: Generalizable Deep Learning for Diverse Multi-Domain Cardiac MRI Reconstruction [0.8749675983608171]
本稿では,GAN(Generative Adversarial Network)ベースのアーキテクチャであるGENRE-CMRを提案する。
実験により、GENRE-CMRはトレーニングおよび未確認データに関する最先端の手法を超越し、未確認の分布に対して 0.9552 SSIM と 38.90 dB PSNR を達成したことが確認された。
我々のフレームワークは、高品質なCMR再構成のための統一的で堅牢なソリューションを提供し、不均一な取得プロトコルをまたいだ臨床適応可能なデプロイメントの道を開く。
論文 参考訳（メタデータ） (2025-08-28T09:43:59Z) - Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。
既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。
本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
論文 参考訳（メタデータ） (2025-07-10T12:36:20Z) - Low-Rank Augmented Implicit Neural Representation for Unsupervised High-Dimensional Quantitative MRI Reconstruction [9.757306418140987]
高速3次元MP-qMRI再構成のための,教師なし,二元的統合フレームワークであるLoREINを提案する。
LoREINは、それぞれ低ランク表現(LRR)と暗黙の神経表現(INR)を介して、低ランク前と連続性の両方を取り入れ、再構成の忠実性を高める。
本研究は、複雑な時間的・高次元画像再構成タスクにおいて、幅広い可能性を持つゼロショット学習パラダイムを導入する。
論文 参考訳（メタデータ） (2025-06-10T15:02:09Z) - Exploring Real&Synthetic Dataset and Linear Attention in Image Restoration [47.26304397935705]
画像復元は、劣化した入力から高品質な画像を復元することを目的としている。
既存のメソッドにはイテレーションと設定のための統一的なトレーニングベンチマークがない。
本稿では,画像複雑性に基づいた新しい画像フィルタリング手法であるReSynという大規模IRデータセットを提案する。
論文 参考訳（メタデータ） (2024-12-05T02:11:51Z) - Implicit Neural Representations for Robust Joint Sparse-View CT Reconstruction [12.381526863294061]
Inlicit Neural Representations (INRs) はスパース・ビューCTの再建に有効である。
本稿では,INRを用いた複数物体の同時再構成による復元品質向上手法を提案する。
論文 参考訳（メタデータ） (2024-05-03T22:50:59Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-15T06:30:03Z) - Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction
of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。
深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。
MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文 参考訳（メタデータ） (2021-06-29T13:29:18Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z)
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。