論文の概要: GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization

• arxiv url: http://arxiv.org/abs/2607.11941v1
• Date: Sat, 11 Jul 2026 09:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.888605
• Title: GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization
• Title（参考訳）: GenDiff:低用量CT再構成と一般化のための構造的事前再構成を用いた線量および解剖学的拡散モデル
• Abstract要約: 我々は低用量CT再構成のための一般化可能な拡散ベースフレームワークであるGenDiffを提案する。 我々は、GenDiffが最先端の畳み込みニューラルネットワークと拡散に基づく再構成手法を一貫して上回っていることを示す。 提案手法は, 異なる線量レベル, 解剖学的領域, 獲得領域にまたがる強靭性を保ちながら, より優れた再現性を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) is a critical imaging modality for clinical diagnosis, but reducing radiation dose inevitably introduces severe noise and structured artifacts that degrade image quality. Existing deep learning-based low-dose CT (LDCT) reconstruction methods are typically optimized for fixed dose levels or specific anatomical regions, limiting their robustness and generalization in realistic clinical settings. We propose GenDiff, a generalizable diffusion-based framework for LDCT reconstruction that jointly models continuous radiation dose and anatomical information within a unified reconstruction network. The proposed framework integrates a Dose-Anatomy Encoder to learn acquisition-aware embeddings, a dose- and anatomy-conditioned cold diffusion backbone for iterative refinement, a physics-consistency update to enforce fidelity to the CT forward model, and a Structural Prior Refinement Module (SPRM) that preserves anatomical structures while suppressing dose-dependent artifacts. Extensive experiments on multi-anatomy clinical datasets, including unseen ultra-low-dose conditions as well as out-of-distribution phantom and animal datasets, demonstrate that GenDiff consistently outperforms state-of-the-art convolutional neural network and diffusion-based reconstruction methods. The proposed approach achieves superior reconstruction quality while maintaining strong robustness across different dose levels, anatomical regions, and acquisition domains, making it a promising solution for practical low-dose CT imaging.
• Abstract（参考訳）: CT(CT)は臨床診断において重要な画像モダリティであるが、放射線線量を減らすことは必然的に、画像品質を低下させる重いノイズや構造的アーティファクトをもたらす。 既存のDeep Learning-based Low-Dose CT (LDCT) 再構成法は一般的に固定線量レベルや特定の解剖学的領域に最適化されており、現実的な臨床環境での堅牢性と一般化を制限している。 我々は,連続放射線線量と解剖情報を統合再構築ネットワーク内で共同でモデル化する,LDCT再構成のための一般化可能な拡散ベースフレームワークであるGenDiffを提案する。 提案するフレームワークは,ドーズ・アナトミー・エンコーダを組み込んで,ドーズ・アナトミー・エンコーダ(Dose-Anatomy Encoder)を用いて,ドーズ・アナトミー・エンコーダ(Dose-Anatomy Encoder)を学習し,ドーズ・アナトミー・エンコーダ(Dose-Anatomy Encoder)を用いて,ドーズ・アナトミー・エンコーダ(Dose-Anatomy Encoder)を用いて,ドーズ・エンコーダ(Dose-Anatomy Encoder)を用いて,ドーズ・アウェア・埋め込み(Dose-Anatomy Encoder)を学習する。 GenDiffは最先端の畳み込みニューラルネットワークと拡散に基づく再構成手法を一貫して上回っていることを実証している。 提案手法は, 異なる線量レベル, 解剖学的領域, 取得領域にまたがる強靭性を保ちながら, より優れた再現性を実現する。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• 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)
• 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)
• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• RSFR: A Coarse-to-Fine Reconstruction Framework for Diffusion Tensor Cardiac MRI with Semantic-Aware Refinement [10.620138922340258]
  心拡散強調画像再構成のための新しいフレームワークであるRSFR(Reconstruction, Fusion & Refinement)を紹介する。 RSFRは、Segment Anything ModelとロバストなVision Mambaベースの再構築バックボーンを通じてゼロショットセマンティクスを活用、粗大な戦略を採用している。 提案フレームワークは,アーティファクトを効果的に緩和し,忠実度を高めるために意味的特徴を統合し,最先端の復元品質と高精度DTパラメータ推定を実現する。
  論文  参考訳（メタデータ） (2025-04-25T17:41:14Z)
• Anatomical feature-prioritized loss for enhanced MR to CT translation [0.0]
  画像翻訳と合成の伝統的な方法は、一般的にグローバルな画像再構成に最適化されている。 本研究は、新しい解剖学的特徴優先化(AFP)損失関数を合成プロセスに導入する。 AFP損失関数は、グローバルな再構成手法を置き換え、補うことができ、グローバルなイメージの忠実さと局所的な構造的詳細の両方にバランスよく重点を置いている。
  論文  参考訳（メタデータ） (2024-10-14T09:40:52Z)
• Solving Low-Dose CT Reconstruction via GAN with Local Coherence [2.325977856241404]
  本稿では,局所コヒーレンスを向上したGANを用いた新しい手法を提案する。 提案手法は, 近接画像の局所的コヒーレンスを光学的流れにより捕捉し, 構築した画像の精度と安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-24T08:55:42Z)
• A Hybrid Approach to Full-Scale Reconstruction of Renal Arterial Network [5.953404851562665]
  腎血管ネットワークの主観的なモデルを構築するためのハイブリッドフレームワークを提案する。 我々は,大動脈の半自動分割と微小CTスキャンによる大脳皮質領域の推定を出発点として用いた。 ラット腎から得られた再建データと既存の解剖学的データとの統計的対応性を示した。
  論文  参考訳（メタデータ） (2023-03-03T10:39:25Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• 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)

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。