論文の概要: Less Is More: Training-Free Acceleration Framework of 3D Diffusion Models for Low-Count PET Denoising via Global-Local Trajectory Reduction

• arxiv url: http://arxiv.org/abs/2606.08751v1
• Date: Sun, 07 Jun 2026 17:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.430021
• Title: Less Is More: Training-Free Acceleration Framework of 3D Diffusion Models for Low-Count PET Denoising via Global-Local Trajectory Reduction
• Title（参考訳）: 低周波PET用3次元拡散モデルの訓練自由加速フレームワーク
• Authors: Yuhan Liu, Scott M. Leonard, Marlee Crews, Muhannad Fadhel, Jinkui Hao, Tianqi Chen, Ryan J. Avery, Bo Zhou,
• Abstract要約: 高位PETは信頼性の高い画像品質を提供するが、関連する放射線線量と長期取得は重要な臨床疾患である。 本研究では,拡散モデルに基づく3次元PETのデノナイズを加速し,再現性の向上を図りながら,トレーニング不要なグローバルローカライズ・スキャッピング戦略を提案する。
• 参考スコア（独自算出の注目度）: 21.875394339396482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate quantification and uptake measurement in PET are critical for assessing disease progression and supporting clinical decision-making. While high-count PET provides reliable image quality, the associated radiation dose and prolonged acquisition remain significant clinical concerns, motivating the adoption of low-count protocols. Diffusion-model-based methods have demonstrated strong potential for restoring low-count PET to near high-count quality, but their iterative sampling procedure becomes prohibitively expensive when applied to high-resolution 3D PET volumes, introducing substantial inference latency that limits practical clinical deployment. To address these challenges, we propose a training-free Global-Local Skipping Strategy that accelerates diffusion model-based 3D PET denoising while simultaneously improving reconstruction quality. The proposed method is plug-and-play and directly applicable to pre-trained diffusion models without retraining or architectural modification. Specifically, we introduce: (i) a global denoising step skipping strategy that initializes the reverse diffusion process from an intermediate denoising step using a noise-consistent transformation of the low-count input, substantially reducing the number of required denoising steps; and (ii) a local feature reuse shortcut that reuses slowly-varying high-level U-Net features across neighboring denoising steps, further reducing per-step computation while preserving image fidelity. We evaluate the proposed approach on multiple PET tracers from in-house and public datasets, including 18F-FDG PET, 68Ga-DOTATATE PET, and 18F-PSMA PET, demonstrating consistent acceleration of over an order of magnitude alongside improved or comparable reconstruction performance relative to the full-step baseline. Blinded reader studies further confirm enhanced clinical confidence and perceived diagnostic quality.
• Abstract（参考訳）: PETにおける正確な定量化と取り込みの測定は、疾患の進行を評価し、臨床的意思決定を支援するために重要である。 高位PETは信頼性の高い画像品質を提供するが、関連する放射線線量と長期取得は重要な臨床的関心事であり、低位プロトコルの採用を動機付けている。 拡散モデルに基づく手法は,低分子量PETをほぼ高品質に復元する可能性を示したが,高分解能3次元PETボリュームに適用した場合,反復的サンプリングは極めて高価となり,実際の臨床展開を制限できる相当な推論遅延がもたらされる。 これらの課題に対処するために,拡散モデルに基づく3D PETデノナイズを加速し,再構築品質を同時に向上する,訓練不要なグローバルローカライズ・スキッピング・ストラテジーを提案する。 提案手法はプラグ・アンド・プレイであり, 事前学習した拡散モデルに直接適用可能である。 具体的には、以下の点を紹介します。 一 ローカウント入力の雑音持続変換を用いて中間復調工程から逆拡散過程を初期化し、必要な復調工程の数を著しく削減するグローバル復調ステップスキップ戦略 (II) 局所的な特徴再利用ショートカットで、近隣のデノナイジングステップで徐々に変化する高レベルなU-Net機能を再利用し、画像の忠実性を維持しながらステップごとの計算をさらに削減する。 18F-FDG PET, 68Ga-DOTATATE PET, 18F-PSMA PETを含む, 社内および公共データセットからの複数のPETトレーサに対する提案手法の評価を行った。 ブラインドドリーダー研究は、さらに臨床の信頼性を高め、診断の質を認識した。

関連論文リスト

• PET-Adapter: Test-Time Domain Adaptation for Full and Limited-Angle PET Image Reconstruction [3.0104188217541563]
  本稿では, ファントムデータのみに基づいて事前学習したPET再構成モデルのためのテスト時間領域適応フレームワークPET-Adapterを提案する。 提案手法は, 異なる解剖, トレーサ, スキャナ構成を持つ臨床データセットに, ペアの地上真実を必要とせずに適応することができる。 複数の臨床データセットにまたがる実験は、フルアングルとリミテッドアングルの両方で優れた3D再構成性能を示す。
  論文  参考訳（メタデータ） (2026-05-08T17:15:33Z)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• Supervised Diffusion-Model-Based PET Image Reconstruction [44.89560992517543]
  PET画像再構成の前兆として拡散モデル (DM) が導入された。 PET再構成のための教師付きDMベースアルゴリズムを提案する。 本手法はPETのポアソン確率モデルの非負性性を強制し,PET画像の広い範囲に適応する。
  論文  参考訳（メタデータ） (2025-06-30T16:39:50Z)
• Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet [3.83243615095535]
  近年の深層学習に基づく denoising 手法は,臨床環境の多様性に適応する上で課題に直面している。 全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T03:06:47Z)
• Volumetric Conditional Score-based Residual Diffusion Model for PET/MR Denoising [13.694516702501097]
  PETイメージングは、分子および生理過程の定量的評価を提供する強力なモダリティである。 PET画像における内在性高ノイズレベルからPET脱ノイズの必要性が生じる。 条件スコアに基づくResidual Diffusion(CSRD)モデルでは,高精細なスコア関数と3Dパッチワイドトレーニング戦略を取り入れることで,これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-09-30T19:35:22Z)
• HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
  予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。 タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。 提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-07T01:50:25Z)
• Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction [7.320877150436869]
  低線量PET画像の再構成品質を高めるために,JCP(Joint compact prior)により導かれる拡散変圧器モデルを提案する。 DTMは拡散モデルの強力な分布マッピング能力と変圧器の容量を組み合わせて長距離依存を捉える。 本手法は放射線曝露リスクを軽減するだけでなく,早期診断や患者管理のためのPETイメージングツールも提供する。
  論文  参考訳（メタデータ） (2024-07-01T03:54:43Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。 DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)

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。