論文の概要: SONAR: A Structure-Consistent Neural Operator for Null-Space-Aware Sparse View CT Reconstruction

• arxiv url: http://arxiv.org/abs/2609.13688v1
• Date: Sat, 12 Sep 2026 03:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.474355
• Title: SONAR: A Structure-Consistent Neural Operator for Null-Space-Aware Sparse View CT Reconstruction
• Title（参考訳）: SONAR:Null-Space-Aware Sparse View CT再構成のための構造整合型ニューラル演算子
• Abstract要約: 本研究では,Null-Space-Aware Reconstructionのための構造整合型ニューラル演算子であるSONARを提案する。 測定と擬似測定残差を分離し、物理演算子を通して画像領域に持ち上げ、独立したニューラル演算子を適用して構造的効果を制約する。 AAPMおよび臨床MARS光子計数CTデータを用いた実験は、視線や見えない視線設定と見えない画像の解像度で一貫した改善を示した。
• 参考スコア（独自算出の注目度）: 5.1854427179061675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse-view computed tomography (CT) reduces radiation dose and acquisition time but remains severely ill-posed because incomplete projections poorly constrain null-space information. Existing learning-based methods often estimate this information in high-dimensional image space, conflate physical measurement errors with prediction errors, and depend on fixed discretizations. We propose SONAR, a Structure-Consistent Neural Operator for Null-Space-Aware Reconstruction. Instead of recovering the full null-space component, SONAR predicts a low-dimensional null-space-aware representation from the acquired projections as pseudo-measurements. It separates measurement and pseudo-measurement residuals, lifts them into the image domain through physics operators, and applies independent neural operators to constrain their structural effects, thereby accommodating admissible errors while suppressing unsupported structures. To support cross-discretization reconstruction, an anisotropic U-shaped neural operator models the periodic angular and nonperiodic detector dimensions using direction-dependent continuous supports, while image-domain neural operators re-discretize continuous kernels on target grids. These components form an optimization-inspired unrolled network. Experiments on simulated AAPM and clinical MARS photon-counting CT data demonstrate consistent improvements across seen and unseen view settings and unseen image resolutions. On AAPM dataset, SONAR improves PSNR by 1.87~dB at 62 views and by 7.63~dB under zero-shot transfer to a $512\times512$ grid over the strongest competing methods. SONAR also achieves the best overall performance in all clinical settings evaluated, demonstrating accurate, structurally reliable, and discretization-robust sparse-view CT reconstruction.
• Abstract（参考訳）: スパースビューCT(Sparse-view Computed Tomography)は、放射線線量と取得時間を削減するが、不完全な投影がヌル空間情報の制約を弱めるため、深刻な障害が残る。 既存の学習ベースの手法では、この情報を高次元の画像空間で推定し、物理測定誤差を予測誤差で説明し、固定された離散化に依存することが多い。 本研究では,Null-Space-Aware Restructionのための構造一貫性ニューラル演算子であるSONARを提案する。 SONARはフルのnull-spaceコンポーネントを復元する代わりに、取得したプロジェクションから低次元のnull-space-aware表現を擬似測定として予測する。 測定と擬似測定残差を分離し、物理演算子を通して画像領域に持ち上げ、独立したニューラル演算子を適用してその構造効果を制限し、支持された構造を抑えながら許容可能な誤りを調節する。 異方性U字型ニューラルオペレータは、方向依存型連続支持体を用いて周期的角および非周期的ディテクター次元をモデル化し、イメージニューラルニューラルオペレータはターゲットグリッド上の連続カーネルを再抽出する。 これらのコンポーネントは最適化にインスパイアされたアンロールネットワークを形成する。 AAPMおよび臨床MARS光子計数CTデータを用いた実験は、視線や見えない視線設定と見えない画像の解像度で一貫した改善を示した。 AAPMデータセットでは、SONARはPSNRを62ビューで1.87〜dB、0ショットで7.63〜dB改善し、最強の競合手法よりも512\times512$グリッドに転送する。 SONARはまた、評価されたすべての臨床設定において最高の総合的なパフォーマンスを達成し、正確で、構造的に信頼性があり、離散化によるスパース・ビューのCT再構成を実証する。

関連論文リスト

• Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models [71.59431204970339]
  STORMは空間対応のトークン還元フレームワークである。 空間単位上の構造演算に還元を再構成する。 様々なビジョンのMambaバックボーンにまたがって最先端のプルーニング精度を実現する。
  論文  参考訳（メタデータ） (2026-06-18T08:31:11Z)
• DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction [1.711666249985278]
  医用画像は、不完全性(単純化/線形化)イメージングモデルを使用し、しばしば不正確で不完全な測定から組織特性を回復することを目的としている。 解析的再構成法は手作りの正規化に依存し、雑音の仮定やパラメータチューニング領域に敏感である。 本稿では,入射観測と撮像モデルの精度を両立させるフレームワークであるDeniSを提案する。 定量的超音波画像再構成の課題として,音速画像の高速化を実証する。
  論文  参考訳（メタデータ） (2026-04-02T14:35:43Z)
• 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)
• Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
  高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。 超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T10:14:28Z)
• NPN: Non-Linear Projections of the Null-Space for Imaging Inverse Problems [25.35772762396095]
  ヌル空間の非線形射影(Non-linear Projections of the Null-Space、NPN)は、正規化の新しいクラスである。 NPNは、ニューラルネットワークによる知覚行列のヌル空間の低次元射影にある解を促進する。 プラグアンドプレイ法におけるコンバージェンスとリコンストラクションの精度を理論的に保証する。
  論文  参考訳（メタデータ） (2025-10-02T02:45:06Z)
• 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)
• Unsupervised Self-Prior Embedding Neural Representation for Iterative Sparse-View CT Reconstruction [8.291709892315993]
  本稿では,Sparse-view Computed Tomography (SVCT) 逆問題に対する自己優先型埋め込み型ニューラル表現(Spener)を提案する。 各イテレーションにおいて、Spenerは前のイテレーションからローカルイメージ前の機能を抽出し、ソリューション空間を制約するためにそれらを埋め込む。 複数のCTデータセットを用いた実験結果から,非教師付きSpener法はドメイン内データに対する教師付き最先端(SOTA)法に匹敵する性能を達成できた。
  論文  参考訳（メタデータ） (2025-02-08T04:36:00Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• 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)
• Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network [10.09577595969254]
  CNNに基づくアプローチは、CT画像のすべての領域を等しく扱い、不均一に分布するノイズと共存する微細な構造が共存する場合、非効率である。 本稿では,カーネル予測ネットワークと構造認識損失関数を組み合わせた構造保存カーネル予測ネットワーク(StructKPN)を提案する。 提案手法は, 合成データセットと非合成データセットの両方において優れた性能を達成し, 臨床スクリーニングや低線量プロトコル最適化において望まれる構造を良好に保存する。
  論文  参考訳（メタデータ） (2021-05-31T07:42:21Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。