論文の概要: Sparse-View Lung Nodule Volumetry from Digitally Reconstructed Radiographs via AReT: Anatomy-Regularized TensoRF
- arxiv url: http://arxiv.org/abs/2606.02639v1
- Date: Sun, 31 May 2026 06:25:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.481532
- Title: Sparse-View Lung Nodule Volumetry from Digitally Reconstructed Radiographs via AReT: Anatomy-Regularized TensoRF
- Title（参考訳）: AReTを用いたデジタル再構成ラジオグラフィーからのスパースビュー肺結節体積:解剖学的規則化テンゾRF
- Authors: Spoorthi M, Suja Palaniswamy,
- Abstract要約: 我々は、X線減衰場に適用した場合、これまで報告されていないテンソRFの故障モードを解消する。
AReTは, 冠動脈, 矢状, 軸方向投射を用いた肺再建のための解剖学的に規則化されたテンソル放射野の枠組みである。
11の再建戦略を体系的に比較すると、解剖学的に認識された規則化は、生成的先導的アプローチよりも一貫して優れていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We identify and resolve a previously unreported failure mode in TensoRF when applied to X-ray attenuation fields: the default density shift of -10, originally introduced for RGB scene reconstruction, suppresses density gradients and prevents sparse-view medical reconstruction regardless of learning rate or regularization strategy. Setting the density shift to zero restores gradient flow and enables stable volumetric reconstruction of pulmonary nodules from only three orthogonal X-ray projections. Building on this, we propose AReT, an anatomy-regularized tensorial radiance field framework for lung nodule reconstruction using coronal, sagittal, and axial projections from the LIDC-IDRI dataset (19 patients, radiologist-annotated nodules). Unlike existing NeRF approaches requiring dense multi-view acquisition, AReT is designed for sparse-view thoracic imaging and incorporates chest-anatomy-aware regularization combining L1 sparsity and total variation smoothness. A systematic comparison across 11 reconstruction strategies shows anatomy-aware regularization consistently outperforms generative-prior-guided approaches. Evaluated against radiologist consensus segmentations, AReT achieves Pearson r=0.983 (p<0.0001) for clinically actionable nodules >=10 mm (n=14), median absolute volumetric error of 11.4%, near-zero systematic bias of -77.3 mm^3, and 8.4x improvement over spherical volume approximation.
- Abstract（参考訳）: 我々は,RGBシーン再構成のために導入された10のデフォルト密度シフト,密度勾配の抑制,学習率や正規化戦略によらずスパースビューの医療再建を防止することを目的として,これまで報告されていなかったテンソRFの障害モードを特定し,解決する。
密度シフトをゼロに設定すると勾配流が回復し、3つの直交X線投影から肺結節の安定な容積再構成が可能となる。
本研究は, LIDC-IDRIデータセット(19例, 放射線医注注注注注注注注注注注注注注注注注注注注注注注注注注注注注注注)からの冠状, 矢状, 軸方向投射を用いた肺結節再建のための解剖学的規則化テンソル放射野フレームワークであるAReTを提案する。
高密度マルチビュー取得を必要とする既存のNeRFアプローチとは異なり、AReTはスパースビュー胸郭撮影用に設計されており、L1間隔と全変動スムーズさを組み合わせた胸部解剖学的正則化が組み込まれている。
11の再建戦略を体系的に比較すると、解剖学的に認識された規則化は、生成的先導的アプローチよりも一貫して優れていた。
AReTは, 臨床的に作用可能な結節 >=10 mm (n=14) のピアソン r=0.983 (p<0.0001) , 11.4% の絶対体積誤差, -77.3 mm^3 のほぼゼロ体系バイアス, 球状体積近似の8.4倍の改善が得られた。
関連論文リスト
- Controllable Lung Nodule Synthesis via Histogram-Regularized Latent Diffusion Models [42.11515368961642]
拡散に基づく生成モデルは、データ合成に有望な戦略を提供する。
肺結節を全3次元CTボリュームで合成する制御可能な潜在拡散モデルを提案する。
このフレームワークは,定量的な測定値と視覚的チューリングテストの両方を通して,強力なビジュアルリアリズムを実現する。
論文 参考訳（メタデータ） (2026-05-28T22:32:06Z) - AI Approach for MRI-only Full-Spine Vertebral Segmentation and 3D Reconstruction in Paediatric Scoliosis [0.0]
小児画像のCTよりMRIが好ましいのは、電離放射線を避けるためである。
脊椎変形評価におけるその使用は、自動化された高解像度の3Dボニー再構成の欠如により、大きく制限されている。
本研究では,MRIのみによる全自動胸腰椎(T1-L5)セグメンテーションと3次元再構成を可能にするAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-20T05:57:06Z) - CDSA-Net:Collaborative Decoupling of Vascular Structure and Background for High-Fidelity Coronary Digital Subtraction Angiography [6.9238365464763545]
冠動脈画像におけるデジタルサブトラクション(DSA)は、生理学的運動によって根本的に困難である。
本稿では,CDSA-Netと呼ばれる新しい枠組みを提案する。
モルフォロジー評価効率は25.6%改善し、血行力学的評価速度は42.9%向上した。
論文 参考訳（メタデータ） (2026-04-19T02:35:59Z) - XtraLight-MedMamba for Classification of Neoplastic Tubular Adenomas [1.9322492427205764]
XtraLight-MedMambaは、管状腺腫を分類するための超軽量な状態空間ベースのディープラーニングフレームワークである。
低品位尿細管腺腫患者から得られたキュレートデータセットを用いて評価した。
XtraLight-MedMambaの精度は97.18%、F1スコアは0.9767で約32,000のパラメータを使用した。
論文 参考訳（メタデータ） (2026-02-04T18:07:51Z) - X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
胸部X線撮影における長期肺腫瘍の診断は困難であった。
尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。
そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
論文 参考訳（メタデータ） (2025-12-24T06:14:55Z) - Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。
DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
論文 参考訳（メタデータ） (2025-11-30T12:45:02Z) - FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。
病的シグネチャの最初の系統的周波数領域解析を行う。
周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
論文 参考訳（メタデータ） (2025-11-17T02:40:14Z) - Leveraging Support Vector Regression, Radiomics and Dosiomics for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR) [5.497745780154633]
本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。
脳転移69例の振り返りコホートを解析した。
デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
論文 参考訳（メタデータ） (2025-09-09T15:57:21Z) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-04-27T12:55:13Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z)
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。