論文の概要: A unified deeplearning framework for contrast-phase-specific virtual monochromatic imaging

• arxiv url: http://arxiv.org/abs/2605.29753v1
• Date: Thu, 28 May 2026 10:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.190055
• Title: A unified deeplearning framework for contrast-phase-specific virtual monochromatic imaging
• Title（参考訳）: コントラスト位相特異的仮想単色イメージングのための統合ディープラーニングフレームワーク
• Authors: Antony Jerald, Hemant K Aggarwal, Brian Nett, Avinash Gopal, Phaneendra K Yalavarthy, Bipul Das, Rajesh Langoju,
• Abstract要約: 単エネルギーCT(SECT)データからコントラスト相特異的単色50keV画像を合成する統合ディープラーニングフレームワークを提案する。 本研究では,SECT入力から50keVのような画像を生成することができ,コントラスト位相特異的なダイナミックスを保存することができることを示す。
• 参考スコア（独自算出の注目度）: 1.144611710117535
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dual-energy CT (DECT) enables virtual monochromatic imaging (VMI) and improved contrast resolution, but its clinical adoption is limited by hardware complexity and cost. In this work, we propose a unified deep learning framework that synthesizes contrast-phase-specific virtual monochromatic 50 keV images from single-energy CT (SECT) data by leveraging contrast phase information as a prior. The model is trained using DECT-derived 70 keV and 50 keV image pairs across four contrast phases -- Angio, Arterial, Portal, and Delayed -- using a novel prior conditioning architecture that integrates contrast phase priors into the energy transformation process. We demonstrate that the proposed unified model achieves contrast enhancement and generalizes well across contrast phases. Additionally, we show that the model can generate 50 keV-like images from SECT inputs, preserving contrast phase-specific dynamics.
• Abstract（参考訳）: Dual-Eergy CT(DECT)は、仮想単色画像(VMI)とコントラスト分解能の改善を可能にするが、その臨床応用はハードウェアの複雑さとコストによって制限される。 本研究では,コントラスト位相情報を利用して,コントラスト相特異的な仮想単色50keV画像を単エネルギーCT(SECT)データから合成する統合ディープラーニングフレームワークを提案する。 このモデルは、DECTから派生した70keVと50keVの画像ペア(Angio、Arterial、Portal、Delayed)を使用して、4つのコントラストフェーズ(Angio、Arterial、Portal、Delayed)でトレーニングされる。 提案した統一モデルがコントラスト拡張を実現し,コントラスト位相をまたいだ一般化を実現することを実証する。 さらに,SECT入力から50keVライクな画像を生成することができ,コントラスト位相特異的なダイナミックスを保存することができることを示す。

関連論文リスト

• Multi-Level Bidirectional Biomimetic Learning for EEG-Based Visual Decoding [10.0396148246889]
  EEGベースの視覚神経復号は、画像検索などのタスクに対して、神経応答と視覚刺激を合わせることを目的としている。 構造化された生理的バイアスを表現学習に組み込んだ多レベル双方向バイオミメティック学習フレームワークMB2Lを提案する。 実験では、MB2Lは80.5%のTop-1と97.6%のTop-5をゼロショット脳波画像検索で達成している。
  論文  参考訳（メタデータ） (2026-05-06T09:31:35Z)
• MMPhysVideo: Scaling Physical Plausibility in Video Generation via Joint Multimodal Modeling [55.72785604682579]
  MMPhysVideoは、共同マルチモーダルモデリングにおけるビデオ生成における物理的可視性を拡大するフレームワークである。 MMPhysVideoは、様々なベンチマークで高度なモデルよりも、物理的な可視性と視覚的品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-03T07:32:24Z)
• 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)
• Modeling Cross-vision Synergy for Unified Large Vision Model [130.37489011094036]
  PolyVは、アーキテクチャレベルとトレーニングレベルの両方で、クロスビジョンのシナジーを実現する統一された大型ビジョンモデルである。 PolyVは既存のモデルを一貫して上回り、バックボーンの10%以上の平均的な改善を実現している。
  論文  参考訳（メタデータ） (2026-03-03T22:44:43Z)
• Physically Aware 360$^\circ$ View Generation from a Single Image using Disentangled Scene Embeddings [0.0]
  そこで,Distangled360を提案する。Distangled360はDistangled volumeレンダリングの利点と単一画像の360ビュー合成を融合した3D認識技術である。 Disentangled360は、混合現実の医療監督、ロボット知覚、没入型コンテンツ作成を促進する。
  論文  参考訳（メタデータ） (2025-12-11T05:20:24Z)
• SYNAPSE: Synergizing an Adapter and Finetuning for High-Fidelity EEG Synthesis from a CLIP-Aligned Encoder [0.0]
  SynAPSEは、脳波信号表現学習と高忠実度画像合成を橋渡しする2段階のフレームワークである。 本手法はCVPR40データセット上で,意味的コヒーレントな潜在空間と最先端の知覚的忠実性を実現する。
  論文  参考訳（メタデータ） (2025-11-11T02:53:49Z)
• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• High-fidelity Direct Contrast Synthesis from Magnetic Resonance Fingerprinting [28.702553164811473]
  本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。 In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
  論文  参考訳（メタデータ） (2022-12-21T07:11:39Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)

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。