論文の概要: MedGSSR: Generalizable Medical Image Super-Resolution 3D Reconstruction via Hierarchical Feed-forward Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.06874v1
• Date: Sun, 06 Sep 2026 23:33:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 02:13:07.106416
• Title: MedGSSR: Generalizable Medical Image Super-Resolution 3D Reconstruction via Hierarchical Feed-forward Gaussian Splatting
• Title（参考訳）: MedGSSR: 階層的フィードフォワードガウススプラッティングによる医用画像超解像3D再構成
• Abstract要約: 高解像度の医用画像は臨床診断に重要であるが、取得はスキャナーハードウェア、スキャン時間、CT、放射線線量によって制限されることが多い。 Medical 3D Super-Resolution (Med3DSR) は計算的な代替手段を提供するが、既存の手法は通常、オブジェクトごとの最適化、事前訓練、座標ベースの暗黙の表現に頼っている。 我々は、Med3DSRの3次元ガウス場としてボリュームを表す完全なエンドツーエンドフィードフォワードフレームワークであるMedGSSRを提案する。
• 参考スコア（独自算出の注目度）: 13.86963166956946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution volumetric medical imaging is critical for clinical diagnosis, yet acquisition is often limited by scanner hardware, scan time, and for CT, radiation dose. Medical 3D Super-Resolution (Med3DSR) offers a computational alternative, but existing methods commonly rely on per-subject optimization, pretrained priors, or coordinate-based implicit representations, which compromise anatomical fidelity and limit efficiency. To address these limitations, we present MedGSSR, a fully end-to-end feed-forward framework that represents volumes as an explicit 3D Gaussian field for Med3DSR. Unlike coordinate-based implicit functions, our explicit 3D Gaussian representation naturally enhances signal continuity and local high-frequency fidelity. Specifically, MedGSSR explicitly decouples the reconstruction process into coarse-grained structural preservation and fine-grained textural refinement through the proposed Pyramid Anatomical Encoder and a Hierarchical Gaussian Projector. To support arbitrary-scale super-resolution, we introduce sub-voxel Gaussian decomposition and a Differentiable Gaussian Voxelizer that directly queries the continuous 3D intensity field, reducing discretization artifacts. Extensive experiments on MRI and CT benchmarks demonstrate that MedGSSR significantly outperforms state-of-the-art methods. Notably, our framework exhibits robust generalizability across unseen datasets without requiring per-subject optimization, enabling fast inference and high-fidelity volumetric super-resolution in practical clinical settings. Our project webpage, including code, is at https://william2ai.github.io/medgssr
• Abstract（参考訳）: 高解像度のボリューム・メディカル・イメージングは臨床診断に重要であるが、スキャナー・ハードウェア、スキャン時間、CT、放射線線量によって取得が制限されることが多い。 Medical 3D Super-Resolution (Med3DSR) は計算的な代替手段を提供するが、既存の手法は一般に、対象ごとの最適化、事前訓練、あるいは座標に基づく暗黙の表現に依存しており、解剖学的な忠実さと限界効率を損なう。 これらの制約に対処するため、MedGSSRは、ボリュームをMed3DSRの明示的な3Dガウス場として表現する完全なエンドツーエンドフィードフォワードフレームワークである。 座標に基づく暗黙関数とは異なり、我々の明示的な3次元ガウス表現は信号の連続性と局所高周波忠実性を自然に強化する。 特に、MedGSSRは、再建過程を大きめの構造保存と、提案されたピラミッド解剖学的エンコーダと階層型ガウスプロジェクターを通してきめ細かなテクスチャの微細化に明確に分離している。 任意のスケールの超解像をサポートするために, 連続する3次元強度場を直接クエリし, 離散化アーティファクトを低減する, サブボクセルガウス分解と微分可能なガウスボクセライザを導入する。 MRIとCTのベンチマークによる大規模な実験により、MedGSSRは最先端の手法を大幅に上回っていることが示された。 特に,本フレームワークは,オブジェクトごとの最適化を必要とせず,データセット間の堅牢な一般化性を示し,臨床現場での高速推論と高忠実ボリューム超解像を実現する。 コードを含む私たちのプロジェクトのWebページはhttps://william2ai.github.io/medgssrにあります。

関連論文リスト

• TR-GS: High-Fidelity Sparse-View CT Volumetric Rendering via t-Distribution Gaussian Splatting and Ray-Confidence Modeling [2.2725140324263333]
  TR-GSは、スパースビューCTボリュームレンダリングのためのガウス平滑化フレームワークである。 信頼誘導型3次元ウェーブレット規則化は、高周波詳細保存とノイズ抑制のバランスをとるために用いられる。
  論文  参考訳（メタデータ） (2026-08-17T03:11:28Z)
• PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution [13.459705621719108]
  磁気共鳴イメージング(MRI)超解像は診断のアクセシビリティ向上に不可欠である。 ほとんどの方法は、固定された低解像度の入力から高解像度のターゲットへの決定論的マッピングとして扱う。 我々は、MRI超解像を物理認識再構成問題として再考し、最適分解能-SNR構成を特定することを目的とする。
  論文  参考訳（メタデータ） (2026-07-07T13:06:01Z)
• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
  血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。 ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。 本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
  論文  参考訳（メタデータ） (2026-03-05T03:41:08Z)
• Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
  本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。 CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
  論文  参考訳（メタデータ） (2026-02-20T18:05:39Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling [16.058575857567373]
  脳の高分解能3D再構成は、運動崩壊した低分解能2D取得から、正確な神経発達診断の必要条件である。 本研究では,ニューラルネットワークに基づく表現から明示的な表現へのシフトを提案する。 本研究の枠組みは, リアルタイム3次元MRIの臨床的ルーチンへの転換の道筋をたどるものである。
  論文  参考訳（メタデータ） (2025-12-12T15:01:30Z)
• MedGS: Gaussian Splatting for Multi-Modal 3D Medical Imaging [3.003629981599447]
  本稿では,ガウススプラッティング(GS)に基づく半教師付き神経暗黙表面再構成フレームワークであるMedGSを紹介する。 この枠組みでは、医用画像データは3次元空間に埋め込まれた連続した2次元のフレームとして表現される。 その結果、MedGSは従来の暗黙の手法よりも効率的なトレーニングを提供している。
  論文  参考訳（メタデータ） (2025-09-20T20:52:26Z)
• 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)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。