論文の概要: A deep dictionary network-based foundation model for ultra-low-dose CT denoising

• arxiv url: http://arxiv.org/abs/2609.16031v1
• Date: Fri, 11 Sep 2026 05:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.109607
• Title: A deep dictionary network-based foundation model for ultra-low-dose CT denoising
• Title（参考訳）: 超低用量CT用ディープ辞書ネットワーク基盤モデル
• Abstract要約: 超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。 深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
• 参考スコア（独自算出の注目度）: 49.70293041079032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-low-dose computed tomography (ULDCT) reduces radiation exposure but suffers from severe noise that degrades diagnostic image quality. Existing deep learning-based denoising methods are typically trained in an organ-specific fashion, resulting in limited generalization across heterogeneous multi?organ imaging scenarios. Foundation models present a promising all-in-one paradigm for unified multi-organ denoising. However, their architectures suffer from poor interpretability and rely on heuristic training strategies. To address these limitations, we propose an architecture?interpretable foundation model based on the deep dictionary network (DDN) for unified multi-organ ULDCT denoising. Inspired by multilayer sparse representation theory, DDN cascades convolutional sparse coding layers with iterative soft-thresholding, providing inherent architectural interpretability. Furthermore, a dynamic dictionary module and a threshold generation module are embedded within each layer to enhance representation ability. We conduct DDN pre-training on more than one million multi-organ normal-dose CT images by recovering clean images from Gaussian-noised inputs. Sparse regularization is additionally imposed on latent feature representations, guiding the network to learn compact and noise-robust priors. The complete architecture is jointly fine-tuned on multi-organ ULDCT datasets, enabling a single unified model to perform denoising across diverse anatomical regions. Extensive experiments validate that our proposed method achieves state-of-the?art performance and consistently surpasses competing ULDCT methods across all mul
• Abstract（参考訳）: 超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoisingメソッドは、通常、臓器固有の方法で訓練される。 臓器イメージングのシナリオです ファンデーションモデルは、統合されたマルチオーガナイズのための有望なオールインワンパラダイムを示す。 しかし、それらのアーキテクチャは解釈性に乏しく、ヒューリスティックなトレーニング戦略に依存している。 これらの制限に対処するために、アーキテクチャを提案する。 深部辞書ネットワーク(DDN)に基づく多臓器UDDCTデノナイズのための解釈可能な基礎モデル。 多層スパース表現理論にインスパイアされたDDNカスケードは、反復的ソフトスレッショニングで畳み込みスパース符号化層を形成し、固有のアーキテクチャ的解釈性を提供する。 さらに、動的辞書モジュールとしきい値生成モジュールを各層に埋め込んで表現能力を高める。 ガウス雑音入力からクリーンな画像を復元し,100万枚以上の多臓器正常線量CT画像に対するDDN事前訓練を行った。 スパース正規化は遅延特徴表現にも課され、ネットワークがコンパクトでノイズの少ない事前学習を誘導する。 完全なアーキテクチャは、複数組織のUDDCTデータセットで共同で微調整され、単一の統一モデルでさまざまな解剖学的領域をまたいで denoising を行うことができる。 大規模実験により,提案手法が現状を達成できることが検証された。 アートパフォーマンスは、すべてのmulで競合するUDDCTメソッドを一貫して上回る

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)
• A Denoising Framework for Real-World Ultra-Low Dose Lung CT Images Based on an Image Purification Strategy [1.6574413179773761]
  超低線量CT(uLDCT)は放射線被曝を著しく減少させるが、重音やアーティファクトをもたらす。 また、uLDCTと正常線量CT(NDCT)画像対の空間的ずれも生じている。 本稿では,画像浄化(IP)戦略に基づく革新的なデノベーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T19:40:38Z)
• FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
  本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。 まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
  論文  参考訳（メタデータ） (2025-08-24T11:03:56Z)
• Fed-NDIF: A Noise-Embedded Federated Diffusion Model For Low-Count Whole-Body PET Denoising [16.937074760667745]
  LCPET (low-count positron emission tomography) は、患者の放射線曝露を減少させるが、画像ノイズの増加と病変検出性の低下に悩まされることが多い。 拡散モデルでは、劣化した画像の品質を回復するLCPET復調が期待できる。 本稿では,これらの課題に対処するために,新しいノイズ埋め込み型フェデレート学習拡散モデル(Fed-NDIF)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T18:37:46Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising [22.351540738281265]
  LDCT画像の画質向上のために, ディープラーニング技術が導入されている。 本稿では, DA-GAN と呼ばれる新しい手法を提案する。この手法は, GANs フレームワークにおける U-Net ベースの識別器を用いて, 正規化画像と正規化画像のグローバル・ローカル差分を学習する。
  論文  参考訳（メタデータ） (2021-08-24T14:37:46Z)
• MANAS: Multi-Scale and Multi-Level Neural Architecture Search for Low-Dose CT Denoising [15.164252252022505]
  LDCTデノイジング用マルチスケール・マルチレベルNAS「MANAS」を提案します。 一方,提案されたmanasは,異なるスケールセルから抽出された特徴を融合し,マルチスケール画像構造の詳細をキャプチャする。 一方,提案手法では,ハイブリッドセルとネットワークレベルの構造を探索し,性能を向上させることができる。
  論文  参考訳（メタデータ） (2021-03-24T05:41:01Z)

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。