論文の概要: SpectralCTGaussians: Projection-Domain Reconstruction and Basis Material Decomposition for Spectral CT using 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.29638v1
• Date: Sat, 29 Aug 2026 00:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.089085
• Title: SpectralCTGaussians: Projection-Domain Reconstruction and Basis Material Decomposition for Spectral CT using 3D Gaussian Splatting
• Title（参考訳）: SpectralCTGaussian:3次元ガウススプラッティングを用いた分光CTの投影-ドメイン再構成と基底材料分解
• Abstract要約: 3次元ガウススプラッティングを用いたスペクトルCT再構成法と基材分解法を提案する。 提案手法を,ベースライン実世界のデータセットと,導入した合成データセットに基づいて評価する。
• 参考スコア（独自算出の注目度）: 6.300892296220585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral computed tomography (CT) extends conventional CT by measuring attenuation across multiple energy channels, allowing improved modeling of physical X-ray interactions and energy-dependent material behavior and leading to richer scene understanding. We present a novel method for spectral CT reconstruction and basis material decomposition using 3D Gaussian Splatting by adding per-Gaussian basis material fractions to the set of learnable parameters, which together with a set of energy-dependent basis functions define the attenuation across the full spectral range. The basis functions represent various physical attenuation models such as photoelectric absorption and Compton scattering, and are jointly optimized across all energy channels through a differentiable polychromatic forward model, with material decomposition performed via mean-shift clustering of the resulting coefficients. We evaluate our method on a baseline real-world dataset as well as a synthetic dataset that we introduce, comparing against traditional reconstruction algorithms and state-of-the-art learning-based CT reconstruction methods. Our approach outperforms all traditional baselines in novel view synthesis and achieves the best PSNR among all compared methods for spectral CT volume reconstruction, while describing all energy channels with a single shared representation that requires a number of Gaussians comparable to single-channel Gaussian splatting-based CT reconstruction approaches. For basis material decomposition, no traditional or learning-based baseline offers one-step decomposition with direct RGB material segmentation, and our method additionally recovers the photoelectric basis with higher PSNR than traditional pipelines.
• Abstract（参考訳）: 分光CT(Spectral Computed Tomography)は、複数のエネルギーチャネルにわたる減衰を測定することで従来のCTを拡張し、物理的X線相互作用とエネルギー依存物質挙動のモデリングを改善し、よりリッチなシーン理解を実現する。 本稿では, ガウス単位の材料分画を学習可能なパラメータの集合に付加することにより, スペクトルCTの再構成と3次元ガウス散乱による基底材料の分解を行い, エネルギー依存基底関数のセットとともに全スペクトル範囲にわたる減衰を定義する。 基底関数は、光電吸収やコンプトン散乱などの様々な物理的減衰モデルを表し、微分可能な多色フォワードモデルによって全てのエネルギーチャネルを共同で最適化し、結果として得られる係数の平均シフトクラスタリングによって材料分解を行う。 提案手法は,従来の再構成アルゴリズムや最先端の学習に基づくCT再構成手法と比較して,ベースライン実世界のデータセットと,それを紹介する合成データセットを用いて評価する。 提案手法は, スペクトルCTボリューム再構成法において, 全エネルギーチャネルを単一の共有表現で記述し, 単一チャネルのガウススプラッティングによるCT再構成法に匹敵する多数のガウス表現を必要とする。 基本材料分解では, 従来の, 学習ベースラインでは, 直接RGB材料セグメンテーションによる一段階分解は行わず, 従来のパイプラインよりも高いPSNRで光電基底を復元する。

関連論文リスト

• Residual Gaussian Splatting for Ultra Sparse-View CBCT Reconstruction [14.00351191217297]
  本研究はウェーブレット多分解能解析と3DGSを統合し,スパース再構成を向上する。 本稿では、体積場を幾何学的基底成分と残留詳細成分に階層化するスペクトル分離ガウス表現を提案する。 臨床データセットの実験では、RGSが再構成された画像によって高度に洗練された幾何学的テクスチャをキャプチャできることが示されている。
  論文  参考訳（メタデータ） (2026-04-30T07:59:18Z)
• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
  多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。 従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。 本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
  論文  参考訳（メタデータ） (2025-05-12T23:32:21Z)
• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Fourth-Order Nonlocal Tensor Decomposition Model for Spectral Computed Tomography [20.03088101097943]
  分光CT(Spectral Computed Tomography)は、光子計数検出器(PCD)を用いて、異なるエネルギービンからのスペクトル像を再構成することができる。 スペクトル分率の限られた光子と計数率により、再構成されたスペクトル画像は通常、ひどいノイズに悩まされる。 本稿では,スペクトルCT画像再構成(FONT-SIR)のための4階非局所テンソル分解モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-27T15:14:36Z)

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。