論文の概要: Efficient Computing for Medical Image Acquisition and Reconstruction
- arxiv url: http://arxiv.org/abs/2607.13204v1
- Date: Tue, 14 Jul 2026 18:54:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.570505
- Title: Efficient Computing for Medical Image Acquisition and Reconstruction
- Title（参考訳）: 医用画像取得と再構成のための効率的な計算法
- Abstract要約: CT、MRI、PET、SPECTなどの医療画像システムは直接画像を取得するわけではない。
代わりに、解剖学的または生理的情報をエンコードする物理信号を計測し、画像再構成によって基盤となる画像が復元される。
本章では、CT, MRI, PET, SPECTにおける医用画像の取得と再構成に関する統一的な計算的視点を示す。
- 参考スコア（独自算出の注目度）: 10.481030941558224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging systems such as CT, MRI, PET, and SPECT do not directly acquire images. Instead, they measure physical signals that encode anatomical or physiological information, and image reconstruction recovers the underlying image by solving an inverse problem. Although these imaging modalities are governed by different imaging physics, they share a common computational framework that naturally connects medical physics, linear algebra, probability, numerical optimization, and efficient computing. As medical imaging systems acquire increasingly large and higher-dimensional datasets, image reconstruction has become one of the primary computational bottlenecks in modern medical imaging. Advanced reconstruction methods, including analytical reconstruction, iterative optimization, and statistical model-based reconstruction, substantially improve image quality while reducing radiation dose or scan time, but at significantly increased computational cost. Efficient computing has therefore become essential for achieving clinically practical reconstruction times. This chapter presents a unified computational perspective on medical image acquisition and reconstruction across CT, MRI, PET, and SPECT. It first reviews the imaging physics and data acquisition process for each modality and derives a generalized mathematical framework for image reconstruction. Building on this framework, the chapter discusses analytical, iterative, and statistical reconstruction methods together with their computational characteristics. Finally, it examines efficient computing considerations, including optimization algorithms, physics-aware forward operators, memory-efficient implementations, and parallel computing strategies. Together, these topics demonstrate how the integration of imaging physics, mathematical modeling, and efficient computing enables accurate and scalable medical image reconstruction.
- Abstract（参考訳）: CT、MRI、PET、SPECTなどの医療画像システムは直接画像を取得するわけではない。
代わりに、解剖学や生理学の情報をエンコードする物理信号を計測し、画像再構成は逆問題の解決によって基盤となるイメージを復元する。
これらの画像モダリティは異なるイメージング物理によって支配されているが、医学物理学、線形代数、確率、数値最適化、効率的な計算を自然に結びつける共通の計算フレームワークを共有している。
医用イメージングシステムが大規模で高次元のデータセットを取得するにつれ、画像再構成は現代の医用画像における主要な計算ボトルネックの1つとなっている。
解析的再構成、反復的最適化、統計モデルに基づく再構成を含む高度な再構成手法は、放射線線量やスキャン時間を削減しながら画像品質を大幅に改善するが、計算コストは大幅に向上した。
したがって, 臨床的に実用的な再建期間を達成するためには, 効率的な計算が不可欠である。
本章では、CT, MRI, PET, SPECTにおける医用画像の取得と再構成に関する統一的な計算的視点を示す。
まず、画像物理とデータ取得過程を各モードでレビューし、画像再構成のための一般化された数学的枠組みを導出する。
この枠組みに基づいて、この章では解析的、反復的、統計的再構成手法とその計算特性について論じている。
最後に、最適化アルゴリズム、物理を意識したフォワード演算子、メモリ効率のよい実装、並列コンピューティング戦略など、効率的な計算方法を検討する。
これらのトピックは、画像物理、数学的モデリング、効率的な計算がいかに正確でスケーラブルな医用画像再構成を実現するかを示す。
関連論文リスト
- Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging [2.871453899831962]
本稿では,分割拡散前の制約と物理に基づく制約を統合するフレームワークを提案する。
これにより、高い再構成品質を維持しながら、GPU当たりのメモリ使用量を大幅に削減できる。
提案手法は,分布内精度を向上し,分布外データセットへの強い一般化を実現する。
論文 参考訳（メタデータ） (2025-12-07T20:07:12Z) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - Towards Prospective Medical Image Reconstruction via Knowledge-Informed Dynamic Optimal Transport [58.6869774515413]
本稿では,新しい動的最適輸送フレームワークKIDOTについて紹介する。
KIDOTは、画像から画像への連続的な進化経路として再構成をモデル化し、画像知識インフォームドコスト関数と輸送方程式で導かれる、未完成のデータから学習する。
MRIとCTの再構成実験は、KIDOTの優れた性能を示す。
論文 参考訳（メタデータ） (2025-05-23T09:05:10Z) - Artificial Intelligence Augmented Medical Imaging Reconstruction in Radiation Therapy [1.0360038906321904]
本稿では,放射線治療のためのAI駆動型医用画像再構成フレームワークについて紹介する。
これらのフレームワークは、CT画像再構成の品質と速度の向上、DECT(Dual-Energy CT)マルチマテリアル分解(MMD)の洗練、および4D MRIの獲得を著しく加速するように設計されている。
論文 参考訳（メタデータ） (2025-04-10T23:02:45Z) - RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。
我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。
RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
論文 参考訳（メタデータ） (2025-03-06T17:43:03Z) - Novel computational workflows for natural and biomedical image processing based on hypercomplex algebras [49.81327385913137]
ハイパーコンプレックス画像処理は、代数的および幾何学的原理を含む統一パラダイムで従来の手法を拡張している。
このワークル平均は、自然・生体画像解析のための四元数と2次元平面(四元数 - ピクセルを表す - を2次元平面に分割する)を分割する。
提案手法は、画像の自動処理パイプラインの一部として、カラー外観(例えば、代替リフレクションやグレースケール変換)と画像コントラストを規制することができる。
論文 参考訳（メタデータ） (2025-02-11T18:38:02Z) - Bidirectional Brain Image Translation using Transfer Learning from Generic Pre-trained Models [0.0]
医療分野では、ラベル付き医療画像を取得することは労働集約的で費用がかかるため、データの不足に対処することが大きな課題である。
近年の研究では、この問題を克服するためにトランスファーラーニング(transfer learning)が提案されている。
本研究では,MR-CT画像翻訳の課題に対して,転送学習を適用した。
論文 参考訳（メタデータ） (2025-01-21T20:30:15Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Artificial Intelligence-Based Image Reconstruction in Cardiac Magnetic
Resonance [10.60359890890818]
近年,医用画像再構成のためのAIと機械学習アルゴリズム,特にDeep Learning(DL)ベースの手法の利用が著しい成長を遂げている。
DLベースの画像再構成は、心画像の取得と再構成の方法を変えるための有望な機会を提供する。
本章では, 心磁気共鳴(CMR)画像再構成を中心に, DLを用いた心臓画像再構成技術の最近の進歩を概観する。
論文 参考訳（メタデータ） (2022-09-21T12:13:18Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳（メタデータ） (2020-03-09T13:39:12Z)
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。