論文の概要: Multi-Pass, Multi-View Blended Learning for High-Fidelity Volumetric CT Synthesis from Chest X-Rays

• arxiv url: http://arxiv.org/abs/2609.09920v1
• Date: Wed, 09 Sep 2026 09:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.963872
• Title: Multi-Pass, Multi-View Blended Learning for High-Fidelity Volumetric CT Synthesis from Chest X-Rays
• Title（参考訳）: 胸部X線からの高忠実度CT合成のためのマルチパス多視点ブレンド学習
• Abstract要約: 本研究では,胸部X線画像から直接高忠実度容積CTを合成するためのマルチパス多視点ブレンドラーニングフレームワークを提案する。 このフレームワークは、実際のCXRから構造的に一貫性があり、解剖学的に現実的な高忠実度CTボリュームを生成する。
• 参考スコア（独自算出の注目度）: 16.443779503422213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing volumetric Computed Tomography (CT) from a single 2D chest radiograph (CXR) is an ill-posed inverse problem, further complicated by the scarcity of paired CXR-CT training data. Prior approaches address this by training on Digitally Reconstructed Radiographs (DRRs), which are synthetic projections derived from CT volumes. However, the domain gap between DRRs and real CXRs limits generalization, often resulting in coarse or anatomically inconsistent reconstructions when applied to clinical images. To address this challenging problem, this study introduces a Multi-Pass Multi-View Blended Learning framework for synthesizing high-fidelity volumetric CT directly from real chest X-ray (CXR) images. The proposed approach progressively decomposes the synthesis task into two distinct, complementary learning stages. Stage 1 is an unsupervised CXR-to-DRR Domain Adaptation, while Stage 2 includes three passes, namely, (a) supervised DRR-to-CT Transformation, (b) unsupervised Multi-View Slice Refinement, followed by (c) Progressive Transfer Learning (PTL). With such a blended learning paradigm, the proposed approach mitigates the synthetic-to-real domain gap while enhancing both the structural integrity and anatomical detail of the final output. On the LIDC-IDRI dataset, where paired DRR-CT ground truth is available for quantitative evaluation, the proposed method improves upon prior methods by up to 14% in PSNR and 7.6% in SSIM. The framework successfully generates structurally consistent and anatomically realistic high-fidelity CT volumes from real CXRs, marking a significant advancement toward clinical viability of CT reconstruction from standard radiographic images.
• Abstract（参考訳）: 2次元胸部X線写真(CXR)からCTを再構成することは逆問題であり,CXR-CTトレーニングデータの欠如によりさらに複雑になる。 従来のアプローチでは、CTボリュームから合成された投影であるDigitally Reconstructed Radiographs (DRRs) のトレーニングによってこの問題に対処していた。 しかし、DRRと実際のCXRのドメインギャップは一般化を制限し、臨床画像に適用した場合、しばしば粗いまたは解剖学的に一貫性のない再構成をもたらす。 そこで本研究では,胸部X線画像から直接高忠実度CTを合成するマルチパス多視点ブレンドラーニングフレームワークを提案する。 提案手法は、合成タスクを2つの異なる相補的な学習段階に段階的に分解する。 ステージ1は教師なしのCXR-to-DRRドメイン適応であり、ステージ2は3つのパスを含む。 (a)DRR-to-CT変換の監督 (b)非監督型マルチビュースライスリファインメント、次いで (c)プログレッシブトランスファーラーニング(PTL) このような混合学習パラダイムにより、提案手法は、最終的な出力の構造的完全性と解剖学的詳細性を両立させながら、合成と実のドメインギャップを緩和する。 LIDC-IDRIデータセットでは、ペアDRR-CT基底真理を定量的に評価できるが、提案手法はPSNRで最大14%、SSIMで最大7.6%改善する。 このフレームワークは、実際のCXRから構造的に一貫した、解剖学的に現実的な高忠実度CTボリュームを生成することに成功した。

関連論文リスト

• DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
  低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。 LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。 我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
  論文  参考訳（メタデータ） (2026-06-26T09:55:37Z)
• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• X2CT-CLIP: Enable Multi-Abnormality Detection in Computed Tomography from Chest Radiography via Tri-Modal Contrastive Learning [18.954939735299963]
  我々はCTとCXRのモダリティギャップを埋める3モーダルな知識伝達学習フレームワークであるX2CT-CLIPを提案する。 CXRエンコーダに3次元CTボリュームと関連する放射線学レポートから知識を伝達することにより,CTにおける多重異常分類を可能にするための最初の試みである。
  論文  参考訳（メタデータ） (2025-03-04T00:48:09Z)
• X-Recon: Learning-based Patient-specific High-Resolution CT Reconstruction from Orthogonal X-Ray Images [14.04604990570727]
  X-Reconは、左右胸部X線画像に基づく再構成ネットワークである。 PTX-Segはゼロショット気胸セグメンテーションアルゴリズムである。 再現度はピーク信号対雑音比を含むいくつかの指標で最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-07-22T03:55:36Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
  深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。 これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。 これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。 我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
  論文  参考訳（メタデータ） (2023-07-02T11:09:08Z)
• Cross-domain Denoising for Low-dose Multi-frame Spiral Computed Tomography [20.463308418655526]
  X線被曝は、がんなどの潜在的な健康リスクへの懸念を引き起こす。 放射線線量を減らすという欲求は、研究者に再建の質の向上を促した。 本稿では,市販マルチスライス・スパイラルCTスキャナの2段階化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:30:22Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)

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。