論文の概要: Dual-domain U-Nets with embedded back projection operators for motion-resolved 4D CBCT reconstruction

• arxiv url: http://arxiv.org/abs/2608.03430v1
• Date: Tue, 04 Aug 2026 10:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.126503
• Title: Dual-domain U-Nets with embedded back projection operators for motion-resolved 4D CBCT reconstruction
• Title（参考訳）: モーションリゾルド4D CBCT再構成のための埋め込みバックプロジェクション演算子を持つデュアルドメインU-Net
• Abstract要約: そこで本研究では,従来のフリーブレススキャンによる4次元CBCT再構成の深層学習法を提案する。 我々のCNNは3次元CBCTプロジェクションを入力とし、最大吸入時の静体積を予測する。 臨床検査では, 従来の再建法に比べ, より鋭い動的構造(横隔膜など)とより少ない運動ストリークアーチファクトがみられた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Four-dimensional cone beam CT (4D CBCT) is important for image-guided radiation therapy of thoracic cancers, but its use is limited by long scan times, causing high patient dose and motion/sparse-sampling artifacts. We propose a deep learning method for motion-resolved 4D CBCT reconstruction from conventional free-breathing scans, without a respiratory signal or explicit projection binning. Our CNN takes free-breathing 3D CBCT projections as input and predicts a static volume at maximum inhalation plus ten displacement vector fields (DVFs) spanning a breathing cycle. The network extends U-Net: the encoder acts on filtered projection stacks, the decoder acts in the volume domain, and skip connections are replaced with non-trainable back-projection functions at multiple resolutions to transfer features between domains. The model is trained on simulated CBCT scans and evaluated on 11 unseen simulated patients and 13 clinical free-breathing scans. Two additional models (60 s and 6 s scans) were evaluated by clinical experts on three and two scans, comparing single phases of our 4D reconstruction to reference 3D SART-TV images for tumor and esophagus visibility. Experts preferred our method for tumor visibility (59% vs. 36% no preference, 5% reference) and esophagus visibility (47% vs. 42%, 11%). On simulated data, image quality matched SART-TV (mean RMSE: -1.19 HU, PSNR: +0.09 dB, SSIM: -0.009) while enabling 4D reconstruction. On clinical scans, our method showed sharper dynamic structures (e.g., diaphragm) and fewer motion streak artifacts than traditional reconstruction. This non-patient-specific CNN predicts static volumes and full 4D respiratory motion models from a single free-breathing scan, without a respiratory surrogate or projection binning, reducing motion artifacts while adding motion-modeling capability.
• Abstract（参考訳）: 4次元コーンビームCT(4D CBCT)は胸腺癌に対する画像誘導放射線治療において重要であるが、その使用は長期のスキャン時間によって制限され、高い患者用量と運動・スパース・サンプリングアーティファクトが生じる。 呼吸信号や明示的な投射ビンニングを使わずに,従来の自由呼吸スキャンから4D CBCTを再構築する深層学習法を提案する。 我々のCNNは3D CBCTプロジェクションを入力とし,呼吸周期にまたがる最大吸入時の静体積と10の変位ベクトル場(DVF)を予測する。 ネットワークはU-Netを拡張し、エンコーダはフィルタリングされたプロジェクションスタックに作用し、デコーダはボリュームドメインに作用し、スキップ接続は複数の解像度で非トレーニング可能なバックプロジェクション関数に置き換えられ、ドメイン間で機能を転送する。 このモデルは、CBCTスキャンのシミュレーションに基づいて訓練され、未確認の11の患者と13の臨床自由呼吸スキャンで評価される。 2つの追加モデル (60sと6sスキャン) を3次元および2次元スキャンで評価し, 腫瘍と食道の視認性を示す3次元SART-TV画像と比較した。 専門家は腫瘍の可視性(59% vs. 36% no preference, 5% reference)と食道可視性(47% vs. 42%, 11%)を好んだ。 シミュレーションデータでは、画像品質はSART-TV(平均RMSE: -1.19 HU, PSNR: +0.09 dB, SSIM: -0.009)と一致し、4D再構成が可能となった。 臨床検査では, 従来の再建法に比べ, より鋭い動的構造(例, 横隔膜)とより少ない運動ストリークアーティファクトがみられた。 この非患者特異的CNNは、単一の自由呼吸スキャンから静量と完全な4D呼吸運動モデルを予測する。

関連論文リスト

• Echo4DIR: 4D Implicit Heart Reconstruction from 2D Echocardiography Videos [35.992365807108584]
  本研究では,新しいテスト時間4D暗黙的再構成フレームワークであるEcho4DIRを提案する。 我々は,心臓条件付きSDFを用いて,統計的形状モデル(SSM)から頑健な3次元形状を学習する。 我々は、Echo4DIRが最先端の4D心筋メッシュ再構築を実現していることを示し、特に98.35%のDiceと96.75%のIoUの臨床的重複が顕著である。
  論文  参考訳（メタデータ） (2026-05-21T07:01:23Z)
• CPT-4DMR: Continuous sPatial-Temporal Representation for 4D-MRI Reconstruction [11.238319012891324]
  呼吸運動を1次元代理信号による滑らかで連続的な変形とみなす神経機構を導入する。 提案手法は, 処理時間を5時間程度から15分程度に短縮し, 効率を大幅に向上させる。 従来の方法に比べて優れた性能を示し,4次元放射線治療計画やリアルタイム適応治療への応用の可能性を示す。
  論文  参考訳（メタデータ） (2025-09-22T21:18:26Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
  既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。 高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。 4DRGSは5分間のトレーニングで印象的な結果を得る。
  論文  参考訳（メタデータ） (2024-12-17T13:51:56Z)
• Resolving Variable Respiratory Motion From Unsorted 4D Computed Tomography [0.6938240959023204]
  代理駆動運動モデルは、4DCTからのCTセグメントに基づいて複数の周期にわたる可変運動を推定することができる。 本手法は,呼吸と呼吸の変動を含む動きの推定値とともに,高品質な動き補正画像を生成する。
  論文  参考訳（メタデータ） (2024-06-30T11:22:55Z)
• RSTAR4D: Rotational Streak Artifact Reduction in 4D CBCT using a Separable 4D CNN [13.596931860186013]
  4次元コーンビームCT(4D CBCT)は呼吸分解画像を提供し、放射線治療に用いられる。 しかし、呼吸運動を明らかにする能力は、イメージアーティファクトのコストがかかる。 本稿では,ローテーションSTreakアーチファクトリダクションに対処するために,新しい4次元ニューラルネットワークモデル RSTAR4D-Net を提案する。
  論文  参考訳（メタデータ） (2024-03-25T01:54:57Z)
• TiAVox: Time-aware Attenuation Voxels for Sparse-view 4D DSA Reconstruction [34.1903749611458]
  スパースビュー4D DSA再構成のための時間認識減衰ボクセル (TiAVox) アプローチを提案する。 TiAVoxは空間次元と時間次元の両方の減衰特性を反映する4D減衰ボクセル格子を導入している。 臨床およびシミュレートされたデータセットに対するTiAVoxアプローチの検証を行った。
  論文  参考訳（メタデータ） (2023-09-05T15:34:37Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)

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。