論文の概要: From Pixel Generation to Topological Inference: Structural Dual Super-Resolution for Trustworthy Cross-Physical-Domain Trabecular Morphology Learning
- arxiv url: http://arxiv.org/abs/2609.34716v1
- Date: Mon, 28 Sep 2026 09:23:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.762673
- Title: From Pixel Generation to Topological Inference: Structural Dual Super-Resolution for Trustworthy Cross-Physical-Domain Trabecular Morphology Learning
- Title（参考訳）: 図形生成からトポロジカル推論へ:信頼に値するクロス物理-ドメイントポロジ学習のための構造的双対超解法
- Abstract要約: 臨床CTとUHRCTは個々の気管を分解できないが、シンクロトロン放射マイクロCTは3.2mの高分解能基準を提供するが、生体内イメージングには適用できない。
既存の超解像ネットワークと事前訓練されたプリアメソッドは、ピクセル生成をターゲットとしており、ディバースディテールとSSIM/PSNRをターゲットとしており、これらの物理差を明示的にモデル化していない。
本稿では, 画素生成からトポロジカル推論へのパラダイムシフト, マクロスケールの低分解能入力から不変構造を決定論的に予測し, 形態パラメータを用いて評価する。
- 参考スコア（独自算出の注目度）: 9.673719966458158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical CT and UHRCT cannot resolve individual trabeculae, whereas synchrotron radiation microCT (SRμCT) provides 3.2μm high-resolution references but is not applicable for in vivo imaging. The two domains differ by 31.25x in resolution, are only coarsely paired, and have drastically different data volumes. Moreover, clinical UHRCT suffers from severe partial volume effects, strong noise, and beam hardening/scatter artifacts, while SRμCT is nearly free. Existing super-resolution networks and pretrained-prior methods underperform because they target pixel generation--diverse details and SSIM/PSNR--and do not explicitly model these physical differences. This indicates that 32x super-resolution via pixel generation is intrinsically ill-posed. We propose a paradigm shift from pixel generation to topological inference: deterministically predicting invariant microstructures from macro-scale low-resolution inputs, evaluated by morphological parameters. We realize this paradigm via structural dual super-resolution, coupling forward physical degradation (micro-to-macro) with inverse structural inference (macro-to-micro) through structural duality constraints. The method is an end-to-end, few-shot, compact structural dual network (SDN), comprising a bidirectional modeling network for forward degradation and inverse reconstruction, a pyramid structural consistency discriminator, and four structural duality constraints. On the testset, SDN achieves morphological parameters largely consistent with SRμCT across 7 metrics, enabling clinical UHRCT with micro-imaging-level morphological quantification, with SSIM reaching 0.8. Trained on 3.2μm SSRF data, the model generalizes well to 3.25μm BSRF data from an independent source, validating cross-source generalization and confirming that the designed network achieves trustworthy structural inference rather than pixel generation.
- Abstract（参考訳）: 臨床CTとUHRCTは個々の気管を分解できないが、シンクロトロン放射マイクロCT(SRμCT)は3.2μmの高分解能基準を提供するが、生体内イメージングには適用できない。
2つのドメインは解像度が31.25倍で、粗いペアでしかなく、データボリュームが大幅に異なる。
さらに,UHRCTは重篤な部分体積効果,強いノイズ,ビーム硬化・散乱,SRμCTはほぼ自由である。
既存の超解像ネットワークと事前訓練されたプリアメソッドは、ピクセル生成をターゲットとしており、ディバースディテールとSSIM/PSNRをターゲットとしており、これらの物理差を明示的にモデル化していない。
これは、ピクセル生成による32倍の超解像が本質的に不均一であることを示している。
本稿では, 画素生成からトポロジカル推論へのパラダイムシフト, マクロスケールの低分解能入力から不変構造を決定論的に予測し, 形態パラメータを用いて評価する。
このパラダイムは、構造的双対性制約を通した逆構造推論(マクロ-マイクロ)と、構造的双対性制約(マイクロ-マクロ)を結合する構造的双対超解法によって実現される。
本手法は、前方劣化と逆復元のための双方向モデリングネットワーク、ピラミッド構造整合性判別器、および4つの構造双対性制約を含む、エンドツーエンドかつ少数ショットでコンパクトな構造二重ネットワーク(SDN)である。
テストセットでは、SDNはSRμCTと7つの指標のほぼ一致した形態パラメータを達成し、SSIMは0.8に到達した。
3.2μmのSSRFデータに基づいてトレーニングされたこのモデルは、独立ソースからの3.25μmのBSRFデータを適切に一般化し、クロスソースの一般化を検証するとともに、設計されたネットワークが画素生成よりも信頼できる構造推論を実現することを確認する。
関連論文リスト
- Cross-Modality Structural Guidance in 3D Latent Diffusion for Robust FLAIR Super-Resolution [0.2959600957981674]
高分解能(HR)MRIの取得は、しばしばスキャン時間制限によって妨げられる。
深層学習に基づく超解像法は、しばしば解剖学的詳細を幻覚させ、脳の構造的整合性を損なう。
MR-DiffuSRは,HR T1w構造像を予め組み込んだ多解拡散型超解法フレームワークで,厚めのFLAIRスキャンの復元を誘導する。
論文 参考訳（メタデータ） (2026-06-24T00:26:01Z) - Three-Dimensional Retinal Microvasculature Restoration in OCT Angiography [4.442929593591647]
本稿では,1つのOCTAボリュームから解剖学的血管を復元する深層学習アルゴリズムを提案する。
提案モデルでは,元のOCTAボリュームに比べて画質が大幅に向上した。
論文 参考訳（メタデータ） (2026-06-03T19:23:09Z) - Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。
ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。
ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
論文 参考訳（メタデータ） (2026-05-29T02:48:23Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - Data-Driven Automated Identification of Optimal Feature-Representative Images in Infrared Thermography Using Statistical and Morphological Metrics [0.0]
赤外線サーモグラフィ(IRT)は、表面欠陥などの構造的特徴を検出するために広く用いられている非破壊検査技術である。
ほとんどのIRT後処理手法は、時間、周波数、係数/インデックスの領域で、欠陥の可視性が強く変化する画像列を生成する。
信号対雑音比(SNR)や谷本基準といった従来の評価基準は、しばしば欠陥位置や欠陥のない参照領域に関する事前の知識を必要とする。
論文 参考訳（メタデータ） (2026-04-09T11:24:26Z) - Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI [1.6863755729554886]
我々は,dMRI計測を反転させる透過性を考慮した再構成手法であるSpinverseを提案する。
スピンバースは固定された四面体格子上の組織を表し、各内面透過性を学習可能なパラメータとして扱う。
多様な測地を再構成し、配列スケジューリングと正規化がアウトラインのみの解を避けるために重要であることを示す。
論文 参考訳（メタデータ） (2026-03-04T21:57:40Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - 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) - Biology-driven assessment of deep learning super-resolution imaging of the porosity network in dentin [3.6401695744986866]
歯のメカノセンスシステムは、象牙質を介して伸びる多孔性ネットワークを流れる流体による象牙芽細胞細胞刺激に部分的に依存していると考えられている。
最小のサブ顕微鏡ポロシティ容器を可視化するには、共焦点蛍光顕微鏡による最も高い分解能が必要である。
我々は、低解像度画像の高速な取得と、後処理による最適な画像品質の回復を可能にするために、異なる深層学習(DL)超解像(SR)モデルを試験した。
論文 参考訳（メタデータ） (2025-10-09T16:26:38Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - 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)
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。