論文の概要: AnF-DiffPET: Anatomy- and Frequency-Guided Diffusion for PET/CT Denoising
- arxiv url: http://arxiv.org/abs/2607.00509v1
- Date: Wed, 01 Jul 2026 06:44:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.761678
- Title: AnF-DiffPET: Anatomy- and Frequency-Guided Diffusion for PET/CT Denoising
- Title（参考訳）: AnF-DiffPET : PET/CTデノナイジングのための解剖学的および周波数誘導拡散法
- Abstract要約: AnF-DiffPET(アンF-DiffPET)は、CT(Computed tomography)条件付きLD PETデノイングのための解剖学的および周波数誘導拡散フレームワークである。
提案手法は, 画像の忠実度, 解剖学的整合性, 定量的忠実度を代表的CNNベース, GANベース, トランスフォーマーベース, 拡散ベースで改善する。
- 参考スコア（独自算出の注目度）: 4.44890955575059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Positron emission tomography (PET) provides essential functional information for disease assessment, however reducing injected activity or acquisition time produces low-dose (LD) PET with stronger count dependent noise and less reliable uptake quantification. Diffusion models offer a promising solution for PET denoising by progressively recovering high-dose (HD) PET images from LD inputs. However, LD-to-HD PET denoising is still challenging due to insufficient anatomical guidance, unstable multi-scale feature propagation, and uncertain frequency domain uptake recovery. We propose AnF-DiffPET, an anatomy- and frequency-guided diffusion framework for computed tomography (CT) conditioned LD PET denoising. The framework integrates Anatomical-Frequency Guidance (AFG), Multi-Scale Cross-Transformer Reconstruction (MSCTR), and Frequency-Contrastive Hard Mining (FCHM) to enhance anatomy aware feature modulation and frequency domain consistency during denoising. Experimental results across four PET/CT datasets show that the proposed method improves image fidelity, anatomical consistency, and quantitative fidelity over representative CNN-based, GAN-based, transformer-based, and diffusion-based methods. The code and trained models will be publicly released upon acceptance.
- Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)は、疾患評価に不可欠な機能情報を提供するが、注入された活動や取得時間を減らすことで、より強力なカウント依存ノイズと信頼性の低い取り込み量を持つ低用量(LD)PETを生成する。
拡散モデルは、LD入力から高線量(HD)PETイメージを段階的に回収することで、PETのノイズ除去に有望なソリューションを提供する。
しかし, LD-to-HD PETは, 解剖学的ガイダンスが不十分で, 不安定なマルチスケール特徴伝搬, 周波数領域の取り込みが不確実なため, いまだに困難である。
本稿では,CT条件LD PETデノイングのための解剖学的および周波数誘導拡散フレームワークであるAnF-DiffPETを提案する。
このフレームワークは、解剖学的適応(AFG)、マルチスケールクロストランスフォーマー再構成(MSCTR)、および周波数コントラストハードマイニング(FCHM)を統合し、聴覚中の解剖学的特徴変調と周波数領域の整合性を高める。
4つのPET/CTデータセットに対する実験結果から,提案手法は画像の忠実度,解剖学的整合性,定量的忠実度を,代表的CNNベース,GANベース,トランスフォーマーベース,拡散法よりも向上することが示された。
コードとトレーニングされたモデルは、受け入れ次第公開されます。
関連論文リスト
- Less Is More: Training-Free Acceleration Framework of 3D Diffusion Models for Low-Count PET Denoising via Global-Local Trajectory Reduction [21.875394339396482]
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。
論文 参考訳（メタデータ） (2026-06-07T17:51:58Z) - FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。
FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。
まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。
第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文 参考訳（メタデータ） (2025-08-24T11:03:56Z) - Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [40.722159771726375]
本稿では,PET-MR スキャンのデータセットから対象特異的なPET画像を生成するための簡易な手法を提案する。
私たちが合成した画像は、被験者のMRスキャンからの情報を保持し、高分解能と解剖学的特徴の保持につながる。
18ドルF]FDGデータセットのシミュレーションと実データを用いて,対象特異的な「擬似PET」画像を用いたパーソナライズされた拡散モデルの事前学習により,低カウントデータによる再構成精度が向上することを示す。
論文 参考訳（メタデータ） (2025-06-04T10:24:14Z) - MDAA-Diff: CT-Guided Multi-Dose Adaptive Attention Diffusion Model for PET Denoising [10.535083130484706]
そこで本研究では,多線量PET復調のための新しいCT-Guided Multi-Dose Adaptive Attention Denoising Diffusion Model (MDAA-Diff)を提案する。
提案手法は,低用量条件下での消音性能を向上させるために,解剖学的ガイダンスと線量レベル適応を統合した。
論文 参考訳（メタデータ） (2025-05-08T10:27:12Z) - Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
拡散モデルは,必要な医用画像を合成するための強力な戦略である。
既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。
本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2025-04-13T05:48:13Z) - 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) - 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) - 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) - 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) - TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction
from Low-Dose Sinograms [45.24575167909925]
TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。
最先端の手法を質的に、定量的に上回る。
GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
論文 参考訳（メタデータ） (2023-08-10T06:20:00Z) - Anatomical-Guided Attention Enhances Unsupervised PET Image Denoising
Performance [0.0]
解剖学的情報誘導型注意機構に基づく教師なし3次元PET画像復調手法を提案する。
MR-GDD(MR-GDD)はMR-Guidance画像の空間的詳細と意味的特徴をより効果的に活用する。
論文 参考訳（メタデータ） (2021-09-02T09:27:07Z)
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。