Fugu-MT 論文翻訳(概要): Physics-Driven Independent Pair Generation for Iterative Self-Supervised Low-Dose CT Denoising

論文の概要: Physics-Driven Independent Pair Generation for Iterative Self-Supervised Low-Dose CT Denoising

arxiv url: http://arxiv.org/abs/2609.02654v1
Date: Tue, 01 Sep 2026 12:18:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.415294
Title: Physics-Driven Independent Pair Generation for Iterative Self-Supervised Low-Dose CT Denoising
Title（参考訳）: 自己監督型低線量CT復調のための物理駆動型独立ペア生成
Abstract要約: 低線量CT(LDCT)はポアソン-ガウス混合ノイズを含む。ほとんどの自己教師付き手法は一般的な画像統計に依存しており、このノイズを明示的にモデル化していない。自己教師型LDCT復調のためのクロスドメイン繰り返しを用いた物理駆動型フレームワークを提案する。
参考スコア（独自算出の注目度）: 16.003879627285514
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low-dose computed tomography (LDCT) measurements contain mixed Poisson-Gaussian noise. However, most self-supervised methods rely on generic image statistics and do not explicitly model this noise, which may limit their ability to effectively suppress realistic LDCT noise. To address this issue, we propose a physics-driven framework with cross-domain iteration for self-supervised LDCT denoising. The proposed framework proceeds in three main steps. First, a learned sinogram prior and the LDCT noise model guide posterior inference of photon counts, enabling separation of the Poisson and Gaussian components. Second, the separated Poisson and Gaussian components are respectively processed by binomial thinning and Gaussian data thinning to construct two branches, and residual scaling matches each branch's noise level to that of the observation, yielding a training pair with approximately independent noise realizations from one low-dose measurement. Finally, the pair is used to train an image-domain network whose forward-projected outputs update the prior. Through cross-domain iteration, the prior and the training pair are progressively refined while maintaining consistency with CT acquisition physics. Experiments on simulated data from AAPM, LIDC-IDRI, and LoDoPaB-CT and on real LDCT data show consistent gains over the evaluated self-supervised baselines across dose levels, with performance comparable to the evaluated supervised baseline.
Abstract（参考訳）: 低線量CT(LDCT)はポアソン-ガウス混合ノイズを含む。しかし、ほとんどの自己監督手法は一般的な画像統計学に依存しており、このノイズを明示的にモデル化していないため、現実的なLDCTノイズを効果的に抑制する能力を制限する可能性がある。この問題に対処するために,自己教師型LDCT復調のためのクロスドメイン反復を用いた物理駆動型フレームワークを提案する。提案されたフレームワークは3つの主要なステップで進行する。まず,学習した音像とLDCTノイズモデルを用いて光子数の後部推定を行い,ポアソン成分とガウス成分の分離を可能にする。第2に、分離されたポアソン成分とガウス成分は、それぞれ二分枝の薄化とガウスデータ薄化によって処理され、残差スケーリングは、各枝のノイズレベルと観測値とを一致させ、1つの低線量測定からほぼ独立したノイズ実現のトレーニングペアを得る。最後に、前向きの出力が前もって更新されるイメージドメインネットワークをトレーニングするために、このペアが使用される。クロスドメイン反復により、前者とトレーニングペアは徐々に洗練され、CT取得物理との整合性を維持している。 AAPM, LIDC-IDRI, LoDoPaB-CTのシミュレーションデータと実LDCTデータを用いた実験により, 評価された自己監督ベースラインの線量レベルに対する一貫した利得が得られた。

関連論文リスト

Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT [0.0]
本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
論文参考訳（メタデータ） (2026-06-08T10:45:51Z)
Image Denoising Using Global and Local Circulant Representation [6.207058215096057]
Haar-tSVDは1段階の並列化可能なプラグアンドプレイデノイザである。これは、Haar変換と組み合わせた統合テンソル特異値分解(t-SVD)プロジェクションを利用して、大域的および局所的なパッチ相関を効率的に捉える。循環構造の固有値解析によりロバスト性を改善する適応雑音推定手法を提案する。
論文参考訳（メタデータ） (2025-12-29T16:09:00Z)
InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
InJecteDは拡散確率モデル(DDPM)を解釈するフレームワークこのフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
論文参考訳（メタデータ） (2025-09-09T14:53:19Z)
Efficient Image Denoising Using Global and Local Circulant Representation [4.673484951060369]
Haar-tSVDは、Haar変換の前に非局所的な自己相似性を探索する単純なアルゴリズムである。テンソル-特異値の統一分解により,グローバルおよび局所的なパッチ相関を効果的に捉えることができることを示す。 Haar-tSVDの有効性と有効性を検証する。
論文参考訳（メタデータ） (2025-08-14T03:25:59Z)
Noise Conditional Variational Score Distillation [60.38982038894823]
騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
論文参考訳（メタデータ） (2025-06-11T06:01:39Z)
Zero-Shot Low-dose CT Denoising via Sinogram Flicking [5.101848799297469]
シングラムフリックに基づくゼロショット低線量CT画像撮影法を提案する。シングラム領域の共役X線の一部をランダムに交換することにより、一貫した内容を持つ大きなシングラムを生成するが、ノイズパターンが異なる。 ZS-NSNから適応した軽量モデルを用いて、同一内容の異なる異なる異なるノイズ分布を持つ一対のシングラムでネットワークを訓練する。
論文参考訳（メタデータ） (2025-04-10T17:42:01Z)
Optimizing Multi-Scale Representations to Detect Effect Heterogeneity Using Earth Observation and Computer Vision: Applications to Two Anti-Poverty RCTs [3.4137115855910762]
マルチスケール表現コンカニネーションは任意の単一スケールEOベースのCATE推定アルゴリズムをマルチスケールに変換する。 CATE推定パイプライン上でのマルチスケール表現結合の性能をベンチマークする。その結果,マルチスケール表現結合は,EOに基づくCATE推定におけるディープラーニングモデルの性能を向上させることが示唆された。
論文参考訳（メタデータ） (2024-11-04T14:47:48Z)
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)
Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文参考訳（メタデータ） (2022-03-29T13:07:53Z)
Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文参考訳（メタデータ） (2020-04-15T15:46:09Z)
Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文参考訳（メタデータ） (2020-01-31T23:50:03Z)
Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。