論文の概要: Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT

• arxiv url: http://arxiv.org/abs/2606.09953v1
• Date: Mon, 08 Jun 2026 10:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.084459
• Title: Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT
• Title（参考訳）: 頭部CTにおける平面異方性とノイズ低減のためのディープスライス補間法
• Authors: Luis Cortés Ferre, Miguel A. Gutiérrez-Naranjo, Marcin Balcerzyk,
• Abstract要約: 本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。 このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Head computed tomography (CT) typically uses sub-millimeter in-plane resolution but 2-5 mm through-plane spacing, creating substantial anisotropy that degrades multiplanar reconstructions, volumetric measurements such as hematoma volume estimation, and downstream algorithms that assume near-isotropic voxels. We present a deep learning system that synthesizes intermediate CT slices from pairs of neighboring axial slices, halving the effective through-plane spacing. The system improves three-dimensional visualization while simultaneously producing inherently denoised outputs, yielding two complementary benefits from a single inference pass. To build a reliable system, we systematically evaluate pixel-wise losses, namely mean squared error (MSE) and mean absolute error (L1); structural-similarity losses, namely the structural similarity index (SSIM) and its multi-scale variant (MS-SSIM); and hybrid combinations. On a held-out test set, all converged models outperform classical interpolation baselines and pretrained video frame interpolation methods (RIFE, FILM) on all structural measures, with MS-SSIM+L1 offering the strongest balanced profile. We also document training instability in SSIM-family losses and identify partial remedies: the standard numerical fixes eliminate the dominant failure mode but leave residual divergence at smaller batch sizes. All results are reported with patient-level bootstrap confidence intervals and paired statistical tests. As an illustration, we apply the system to an out-of-distribution head CT series from Hospital Universitario Virgen del Rocío: the model synthesizes intermediate slices and exhibits on the real slices the implicit-denoising signature predicted by our theoretical analysis, supporting in a single external case that interpolation quality and implicit denoising are not confined to the training distribution.
• Abstract（参考訳）: 頭頂部CT(Head Computed Tomography)は通常、サブミリメートルの面内解像度を用いるが、2-5mmの面内間隔を使用するため、多平面再構成を劣化させる相当な異方性、血腫体積推定などの体積測定、およびほぼ等方性ボクセルを仮定する下流アルゴリズムが生成される。 本研究では,隣接する一対の軸スライスから中間CTスライスを合成し,有効平面間隔を半減する深層学習システムを提案する。 このシステムは、3次元の可視化を改善し、同時に固有に識別された出力を生成し、単一の推論パスから2つの相補的な利点をもたらす。 信頼性の高いシステムを構築するためには,平均二乗誤差 (MSE) と平均絶対誤差 (L1) と,構造相似損失 (SSIM) とマルチスケール変種 (MS-SSIM) を系統的に評価する。 ホールドアウトテストセットでは、すべての収束モデルは古典的補間ベースラインと事前訓練されたビデオフレーム補間法(RIFE, FILM)を全ての構造的尺度で上回り、MS-SSIM+L1は最もバランスの取れたプロファイルを提供する。 また,SSIMファミリーの損失に対するトレーニングの不安定性の文書化や部分的改善の特定も行う。 いずれの結果も, 患者レベルのブートストラップ信頼区間と, ペア統計検査で報告した。 そこで本研究では,本モデルを用いて,中間スライスを合成し,理論解析により予測される暗黙的復号化シグネチャを実スライス上に表示し,補間品質と暗示的復号化がトレーニング分布に限定されない単一外部ケースで支援する。

関連論文リスト

• Multimodal Distribution Matching for Vision-Language Dataset Distillation [50.411341509805936]
  マルチモーダル分散マッチング(Multimodal Distribution Matching)は、効率的かつ一般化可能なマルチモーダル蒸留のための幾何学的枠組みである。 MDMはデータ、モデル、損失レベルで補完的なコンポーネントを統合する。 マルチモーダルなセマンティクスを保存し、蒸留コストを大幅に削減し、建築全体にわたって頑丈な、コンパクトな合成セットを生成する。
  論文  参考訳（メタデータ） (2026-05-22T10:41:58Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• CAHAL: Clinically Applicable resolution enHAncement for Low-resolution MRI scans [29.281962308908195]
  脳MRIの大規模自動形態計測解析は、太いスライスによって制限される。 既存の生成超解像法は、視覚的に魅力的な等方性ボリュームを生成するが、しばしば解剖学的幻覚を導入する。 本稿では,低分解能MRIスキャンのためのCAHAL(Clinically Applicable resolution enhancement for Low- resolution MRI)を提案する。
  論文  参考訳（メタデータ） (2026-04-20T19:45:11Z)
• The Stationarity Bias: Stratified Stress-Testing for Time-Series Imputation in Regulated Dynamical Systems [0.098314893665023]
  時系列計算ベンチマークはランダムマスキングと形状に依存しないメトリクスを使用する。 我々は、このバイアスを形式化し、評価を定常型と過渡型に分割するemphStratified Stress-Testを提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:05:56Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Compressed BC-LISTA via Low-Rank Convolutional Decomposition [47.15001096567547]
  圧縮前方・後方演算子を用いたマルチチャネルイメージングのためのスパース信号回復法(SSR)について検討した。 本稿では,低ランク畳み込みネットワーク(CNN)分解に基づくCBC(Compressed Block-Convolutional)測定モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-30T16:33:51Z)
• TCIP: Threshold-Controlled Iterative Pyramid Network for Deformable Medical Image Registration [21.283219565079413]
  ピラミッドネットワークにおける各デコード層のコアコンポーネントとして機能強化残留モジュール(FERM)を提案する。 FERMは、解剖学的意味的特徴を抽出し、無関係な特徴を抑えることを学習し、最終的な変形場を推定する3つの連続ブロックから構成される。 我々は FERM と TCI をThreshold-Controlled Iterative Pyramid (TCIP) として統合するモデルを作成した。
  論文  参考訳（メタデータ） (2025-10-09T01:38:40Z)
• Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
  マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:22:15Z)
• 2D Ultrasound Elasticity Imaging of Abdominal Aortic Aneurysms Using Deep Neural Networks [0.5249805590164902]
  腹部大動脈瘤 (AAA) は破裂の可能性があるため, 臨床的リスクが高い。 2次元超音波を用いたAAAの弾力性イメージングのためのディープラーニングに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-25T21:42:54Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)

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。