論文の概要: SAVER: Stochastic Adaptive Variance-Driven Exploration and Reconstruction for Low-Dose Computed Tomography

• arxiv url: http://arxiv.org/abs/2607.03761v1
• Date: Sat, 04 Jul 2026 08:22:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.709198
• Title: SAVER: Stochastic Adaptive Variance-Driven Exploration and Reconstruction for Low-Dose Computed Tomography
• Title（参考訳）: SAVER:低線量CTにおける確率適応型可変型探索と再構成
• Abstract要約: 確率的適応的変数駆動探索と再構成」 (SAVER) を提案する SAVERは、取得したデータの統計的分散に基づいて、リアルタイムで投影角を選択する。 8種類のファントムにわたる実験により、SAVERは従来のランダムサンプリングよりも一貫して高い再現率を達成することが示された。
• 参考スコア（独自算出の注目度）: 7.234924814131822
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computed Tomography (CT) is indispensable in clinical diagnostics, yet minimizing radiation dose without compromising image quality remains a critical challenge. Conventional low-dose protocols often rely on fixed, uniform angular sampling, independent of the underlying structural complexity of organs of individual patients. We propose ``Stochastic Adaptive Variance-Driven Exploration and Reconstruction'' (SAVER), an adaptive data acquisition framework that selects projection angles in real-time based on the statistical variance of acquired data. Utilizing a Softmax-based stochastic scheduling scheme with simulated annealing, SAVER prioritizes directions with high structural information while maintaining necessary exploration. Numerical experiments across 8 diverse phantoms demonstrate that SAVER achieves consistently higher reconstruction fidelity than conventional random sampling, particularly for objects with high structural anisotropy. Furthermore, the proposed method exhibits robust performance under significant measurement noise. By dynamically reallocating radiation dose to the most informative projections, SAVER provides a mathematically-grounded approach to maximize diagnostic quality per unit of radiation dose, marking a shift toward sample-dependent, data-driven CT acquisition.
• Abstract（参考訳）: CT(Computed Tomography)は臨床診断には欠かせないが,画像品質を損なうことなく放射線線量を最小限に抑えることは重要な課題である。 従来の低用量プロトコルは、個々の患者の臓器の構造的複雑さとは無関係に、固定された均一な角サンプリングに依存していることが多い。 適応型データ取得フレームワークである 'Stochastic Adaptive Variance-Driven Exploration and Reconstruction' (SAVER) を提案する。 シミュレーションアニーリングによるSoftmaxベースの確率的スケジューリングスキームを利用して、SAVERは必要な探索を維持しながら高い構造情報で方向を優先順位付けする。 8種類のファントムにまたがる数値実験により、SAVERは従来のランダムサンプリングよりも、特に高い構造異方性を持つ物体に対して、一貫して高い再構成忠実性を達成することが示された。 さらに,提案手法は,有意な測定雑音下での頑健な性能を示す。 SAVERは放射線線量量を最も情報性の高い射影に動的に再配置することで、放射線線量単位当たりの診断品質を最大化するための数学的アプローチを提供し、サンプル依存型データ駆動CT取得へのシフトを示す。

関連論文リスト

• DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
  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。
  論文  参考訳（メタデータ） (2026-06-26T09:55:37Z)
• 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)
• PolarMAE: Efficient Fetal Ultrasound Pre-training via Semantic Screening and Polar-Guided Masking [47.59361789212719]
  PolarMAEは、米国の画像用に設計された、新しくて効率的な事前トレーニングフレームワークである。 連続走査冗長性を軽減するために,プログレッシブ・ビジュアル・セマンティック・スクリーニングを導入する。 また,極テクスチャ協調型マスキングを提案する。
  論文  参考訳（メタデータ） (2026-04-17T09:45:04Z)
• Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging [92.90858286761515]
  タスク適応型圧縮型磁気共鳴画像(CS-MRI)は、下流臨床の特定の要求に対処するために出現している。 本稿では,不確実性予測のための確率的推論を同時に達成するために,情報理論の観点から最初のタスク適応型CS-MRIを提案する。 我々は、アモータイズされた最適化を活用し、抽出、再構成、タスク推論モデルを共同で最適化するために、相互情報に対してトラクタブルな変動境界を構築する。
  論文  参考訳（メタデータ） (2026-04-14T13:23:19Z)
• Active View Selection with Perturbed Gaussian Ensemble for Tomographic Reconstruction [26.60542816157164]
  Sparse-view CT(Sparse-view Computed Tomography)は,患者の放射線被曝を減らすために重要である。 放射線3Dガウススプラッティングの最近の進歩により,高速かつ高精度なスパルスCT再構成が可能となった。 既存のアクティブビュー選択法では、X線イメージングに固有の特異な幾何学的曖昧さと物理的減衰特性を捉えることができない。
  論文  参考訳（メタデータ） (2026-03-06T20:16:00Z)
• Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
  CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
  論文  参考訳（メタデータ） (2024-10-05T02:13:57Z)
• CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates [16.985836345715963]
  Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。 深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:06:15Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。