論文の概要: Advanced Brain Tissue Imaging with Data-Consistent Diffusion Priors in Laminographic X-Ray Nanoimaging

• arxiv url: http://arxiv.org/abs/2609.10456v1
• Date: Wed, 09 Sep 2026 17:05:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.119158
• Title: Advanced Brain Tissue Imaging with Data-Consistent Diffusion Priors in Laminographic X-Ray Nanoimaging
• Title（参考訳）: 層状X線ナノイメージングにおけるデータ一貫性拡散前駆体を用いた高次脳組織イメージング
• Abstract要約: LUCIDは,多視点拡散先行と投影領域データの整合性を組み合わせたフレームワークである。 シミュレーションデータセットでは、LUCIDは空間の忠実度を大幅に改善し、行方不明のフーリエ成分を復元する。 LUCIDは、完全なサンプルトモグラフィーのボリュームでのみ訓練されているにもかかわらず、頑強に一般化する。
• 参考スコア（独自算出の注目度）: 36.188211884300934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nanoscale imaging of mammalian brains is critical for connectomics. X-ray laminography enables high-throughput imaging of extended, plate-like biological specimens. However, the tilted acquisition geometry leads to incomplete Fourier-space coverage, giving rise to a missing-cone of information. Conventional reconstruction methods cannot recover unmeasured information within the cone, resulting in artifacts that distort fine brain structures. While resolving these requires modeling 3D structure, direct 3D deep learning approaches are limited by data scarcity and computational cost. Here we introduce LUCID (Laminography with Unified Consistent Diffusion), a framework that combines multi-view diffusion priors with projection-domain data consistency. LUCID integrates complementary 3D structural information while enforcing strict alignment with the laminography forward model. On simulated datasets, LUCID substantially improves spatial fidelity and restores missing Fourier components, outperforming baseline methods. Applied to experimental laminography data, LUCID generalizes robustly despite being trained exclusively on fully sampled tomographic volumes, and effectively recovers unmeasured Fourier information.
• Abstract（参考訳）: 哺乳類の脳のナノスケールイメージングはコネクトロミクスにとって重要である。 X線ラミノグラフィーは、拡張されたプレートのような生物学的標本の高スループットイメージングを可能にする。 しかし、傾いた取得幾何学は不完全フーリエ空間のカバレッジをもたらし、情報の欠落を引き起こす。 従来の再建法では、コーン内の未測定情報を復元することができず、その結果、微細な脳構造を歪ませるアーティファクトが生じる。 これらを解決するには3D構造をモデル化する必要があるが、直接的な3Dディープラーニングアプローチはデータ不足と計算コストによって制限される。 LUCID(Laminography with Unified Consistent Diffusion)は多視点拡散と投影領域データの整合性を組み合わせたフレームワークである。 LUCIDは、ラミノグラフィーフォワードモデルとの厳密な整合性を保ちながら、補完的な3D構造情報を統合する。 シミュレーションデータセットでは、LUCIDは空間の忠実度を大幅に改善し、欠落しているフーリエ成分を復元し、ベースライン法より優れている。 実験的なラミノグラフィーデータに適用すると、LUCIDは完全なトモグラフィーボリュームにのみ訓練されているにもかかわらず、頑健に一般化し、計測されていないフーリエ情報を効果的に回収する。

関連論文リスト

• Wavelet-Optimized Pseudo-3D Accelerated Diffusion Model for Truncated Computed Laminography [12.168086376276934]
  フィールド・オブ・ビュー(FOV)の制限は、必然的に投影されたデータの切り離しにつながる。 既存のディープラーニング手法は厳密なデータ一貫性の制約に欠ける2Dアーキテクチャに依存している。 CLトランケーション再構成(CL-DM)のための新しいウェーブレット最適化擬似3D加速拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-30T08:24:57Z)
• SCOUT: Fast Spectral CT Imaging in Ultra LOw-data Regimes via PseUdo-label GeneraTion [14.819061196799852]
  CT(Computed tomography)スキャンにおけるノイズとアーティファクトは、疾患の診断に影響を及ぼす根本的な課題である。 本研究は, 外部データを必要としない極低生データ条件下での復元手法を提案する。 実験により、この方法は検出器によって誘導されるリングアーティファクトを緩和するだけでなく、詳細回復において前例のない能力を示すことが示された。
  論文  参考訳（メタデータ） (2026-02-28T14:54:16Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• 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)
• TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis [2.624902795082451]
  頭蓋内大動脈瘤は, 注釈付き3Dデータによる検出, デライン化, モデル化が困難である。 本稿では,大規模非医学的3次元データセットに基づいて学習した生成モデルTRELLISで学習した潜在幾何学的埋め込みを利用したクロスドメイン特徴伝達手法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T07:51:17Z)
• MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
  正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。 拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
  論文  参考訳（メタデータ） (2024-12-25T00:55:05Z)
• Learning Spatially-Continuous Fiber Orientation Functions [1.4504054468850665]
  低分解能拡散強調画像から空間連続繊維配向密度関数を学習するFENRIを提案する。 我々はFENRIが現実的な低品質データから高分解能繊維配向を正確に予測できることを実証した。
  論文  参考訳（メタデータ） (2023-12-10T01:28:47Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。