論文の概要: DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling

• arxiv url: http://arxiv.org/abs/2606.28453v1
• Date: Fri, 26 Jun 2026 09:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.574214
• Title: DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling
• Title（参考訳）: DeVAR: 視覚的自己回帰モデリングによる低用量CTデノナイズ
• Abstract要約: 低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。 LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。 我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
• 参考スコア（独自算出の注目度）: 14.938419722549575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) plays a crucial role in medical diagnosis, but minimizing radiation exposure while maintaining image quality remains a critical challenge. Low-dose CT (LDCT) protocols reduce radiation risks but inevitably suffer from severe noise and artifacts that compromise diagnostic accuracy. While existing deep learning methods have achieved promising results, there remains a continuous quest for generative paradigms that intrinsically capture global-to-local structural dependencies to better preserve fine anatomical details. To this end, we propose DeVAR, a novel generative framework that applies visual autoregressive modeling (VAR) to LDCT denoising for the first time. Conditioned on global context provided by LDCT prefix tokens, DeVAR progressively generates discrete token maps of the target normal-dose CT (NDCT) via next-scale prediction. Because quantization inherently discards high-frequency information, we introduce a residual refiner to capture subtle anatomical structures beyond the capacity of a discrete codebook. Finally, empowered by a dual-representation hybrid training strategy, our hybrid NDCT decoder seamlessly integrates continuous and discrete latents to reconstruct high-fidelity, detail-preserved images. Extensive experiments on two public datasets demonstrate that DeVAR consistently achieves superior qualitative and quantitative performance compared to state-of-the-art LDCT denoising methods.
• Abstract（参考訳）: CTは診断において重要な役割を担っているが,画像品質を維持しながら放射線被曝を最小限に抑えることは重要な課題である。 低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。 既存のディープラーニング手法は有望な成果を上げているが、微妙な解剖学的詳細を保存するために、本質的にグローバルからローカルへの構造的依存関係をキャプチャする生成パラダイムについては、引き続き探求が続けられている。 この目的のために,視覚的自己回帰モデリング(VAR)をLDCTに初めて適用した新しい生成フレームワークであるDeVARを提案する。 LDCTプレフィックストークンによって提供されるグローバルコンテキストに基づいて、DeVARは次のスケールの予測により、ターゲットの正常線CT(NDCT)の離散トークンマップを徐々に生成する。 量子化は本質的に高周波情報を破棄するので、離散コードブックの容量を超えた微妙な解剖学的構造を捉えるための残留精製器を導入する。 最後に、二重表現ハイブリッドトレーニング戦略により、当社のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。 2つの公開データセットに対する大規模な実験により、DeVARは最先端のLDCT復調法と比較して、定性的かつ定量的な性能を一貫して達成していることが示された。

関連論文リスト

• A deep dictionary network-based foundation model for ultra-low-dose CT denoising [49.70293041079032]
  超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。 深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
  論文  参考訳（メタデータ） (2026-09-11T05:14:08Z)
• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• A Denoising Framework for Real-World Ultra-Low Dose Lung CT Images Based on an Image Purification Strategy [1.6574413179773761]
  超低線量CT(uLDCT)は放射線被曝を著しく減少させるが、重音やアーティファクトをもたらす。 また、uLDCTと正常線量CT(NDCT)画像対の空間的ずれも生じている。 本稿では,画像浄化(IP)戦略に基づく革新的なデノベーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T19:40:38Z)
• Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
  Tunable-geneRalizatioN Diffusion (TurnDiff) は低用量CT再構成のための自己教師付き文脈データを用いている。 TurnDiffは、再構築と一般化の両方において、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-28T13:50:29Z)
• DenoMamba: A fused state-space model for low-dose CT denoising [6.468495781611433]
  低線量CT(LDCT)は放射線曝露に伴う潜在的なリスクを低くする。 LDCT denoisingは、基礎となる組織信号からの線量減少によって引き起こされるノイズを分離するために、データ駆動画像の事前学習を行うニューラルネットワークモデルに基づいている。 DenoMambaは、状態空間モデリング(SSM)に基づく、医療画像の短距離および長距離コンテキストを効率的にキャプチャする新しいデノナイジング手法である。
  論文  参考訳（メタデータ） (2024-09-19T21:32:07Z)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• Self-supervised Physics-based Denoising for Computed Tomography [2.2758845733923687]
  CT(Computed Tomography)は、患者に固有のX線放射によるリスクを課す。 放射線線量を下げると健康リスクが低下するが、ノイズが増し、組織のコントラストが低下し、CT画像のアーティファクトが生じる。 現代のディープラーニングノイズ抑圧法は、この課題を緩和するが、訓練には低ノイズ高ノイズCT画像ペアが必要である。 我々は,高用量CT投影地真実像を使わずにトレーニング可能な,ノイズ2ノイズD-ANMの自己管理手法を新たに導入した。
  論文  参考訳（メタデータ） (2022-11-01T20:58:50Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• No-reference denoising of low-dose CT projections [2.7716102039510564]
  低線量CT (LDCT) は放射線学において明らかな傾向を呈し, 患者への過剰なX線照射の回避が望まれる。 放射線線量減少は患者のリスクを減少させるが、ノイズレベルを上昇させ、画像の品質と診断値に影響を及ぼす。 1つの緩和オプションは、ディープラーニングアルゴリズムを用いてデノナイジングモデルを訓練するために、低線量および高線量CTプロジェクションのペアを検討することである。 本稿では,従来の自己監督法と異なり,新しい自己監督法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T13:51:33Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。