論文の概要: Anatomy-preserving unpaired cone-beam CT refinement for image-guided radiotherapy using pseudo-label guided diffusion

• arxiv url: http://arxiv.org/abs/2610.06094v1
• Date: Mon, 05 Oct 2026 10:27:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:44:15.446112
• Title: Anatomy-preserving unpaired cone-beam CT refinement for image-guided radiotherapy using pseudo-label guided diffusion
• Title（参考訳）: 擬似ラベル誘導拡散を用いた画像誘導放射線治療のための解剖学的保存不能コーンビームCT改善法
• Abstract要約: RefineCBCTは、擬似ラベル誘導と短い拡散を利用してアーティファクトを減らす、未完成のCBCT精錬フレームワークである。 精細な画像では、ストリーキングやシェーディングアーティファクトの減少、解剖学的境界の明確化、軟組織均一性の改善が見られた。 これらの結果から,RefineCBCTは臨床的に現実的な訓練条件下でのCBCT改善を効果的かつ効果的に行うことが示唆された。
• 参考スコア（独自算出の注目度）: 8.088453957849987
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cone-beam computed tomography (CBCT) is widely used in image-guided radiotherapy, but scatter, beam hardening, noise, truncation, and other artifacts limit image quality and CT number accuracy. Paired CBCT and CT data are difficult to obtain clinically because of motion, anatomical changes, and acquisition mismatch. We present RefineCBCT, an unpaired CBCT refinement framework that uses pseudo-label guidance and short-step diffusion to reduce artifacts while preserving patient-specific anatomy. RefineCBCT was trained and evaluated on unpaired CBCT and planning CT data from public LUNG TCIA and PELVIC TCIA datasets and compared with representative GAN and diffusion based methods. On LUNG TCIA, it achieved the best results across all metrics, with MAE 19.411, RMSE 62.758, PSNR 30.845 dB, and SSIM 0.931. On PELVIC TCIA, it achieved the best MAE, PSNR, and SSIM, with values of 14.905, 36.671 dB, and 0.876. The refined images showed fewer streaking and shading artifacts, clearer anatomical boundaries, and improved soft tissue uniformity, with line profile and ROI analyses showing closer agreement with planning CT. These results suggest that RefineCBCT provides efficient and effective CBCT refinement under clinically realistic unpaired training conditions and may support more reliable CBCT use in image-guided radiotherapy workflows. Code is publicly available on GitHub, and the evaluated datasets are available from The Cancer Imaging Archive.
• Abstract（参考訳）: コーンビームCT(CBCT)は画像誘導放射線療法において広く用いられているが、散乱、ビーム硬化、ノイズ、トランケーション、その他のアーティファクトは画像品質とCT番号の精度を制限している。 CBCTとCTは, 運動, 解剖学的変化, 獲得ミスマッチにより, 臨床的に入手が困難である。 患者固有の解剖学を保存しながら, 擬似ラベル誘導と短時間拡散を用いてアーティファクトを減少させる, CBCT改善フレームワークであるRefineCBCTについて述べる。 LUNG TCIAおよびPEVIC TCIAデータセットから、未ペアCBCTおよびCTデータをトレーニングし、評価し、GANおよび拡散法と比較した。 LUNG TCIAでは、MAE 19.411、RMSE 62.758、PSNR 30.845 dB、SSIM 0.931を含む全ての指標で最高の結果を得た。 PELVIC TCIAでは、14.905、36.671 dB、0.876という最高のMAE、PSNR、SSIMを達成した。 精査された画像では, ストリーキングやシェーディングアーティファクトの減少, 解剖学的境界の明確化, 軟部組織均一性の改善がみられた。 以上の結果から, RefineCBCTは, 臨床的に現実的な訓練条件下でのCBCT改善を効果的かつ効果的に行い, 画像誘導放射線治療ワークフローにおけるより信頼性の高いCBCT使用を支援する可能性が示唆された。 コードはGitHubで公開されており、評価されたデータセットは、The Cancer Imaging Archiveから入手できる。

関連論文リスト

• Toward CT-Equivalent Image Quality in Low-Dose Radiotherapy Planning: Conditional Diffusion-Based CBCT-to-CT Synthesis and the Impact of CBCT Input Representation [38.63556138902222]
  本研究では,条件付き denoising diffusion probabilistic model (DDPM) を用いた教師付き深層学習に基づくCBCT-CT合成フレームワークを開発した。 本研究の目的は,標準臨床用DICOM CBCT画像とフィルタバックプロジェクション(FDK)再構成のCBCT入力データの表現が拡散型CT合成の性能に与える影響を検討することである。
  論文  参考訳（メタデータ） (2026-08-09T21:15:08Z)
• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• Cone-Beam CT Image Quality Enhancement Using A Latent Diffusion Model Trained with Simulated CBCT Artifacts [2.8292841621378844]
  コーンビームCT(CBCT)画像は,低コントラスト,高アーティファクト含量のため,臨床医学において問題となる。 条件付き潜伏拡散モデルに基づく補正不要CBCT画像品質向上手法を提案する。
  論文  参考訳（メタデータ） (2026-03-27T02:16:15Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• Synthetic CT image generation from CBCT: A Systematic Review [44.01505745127782]
  深層学習法を用いたコーンビームCT(CBCT)データから合成CT(sCT)画像を生成することは,放射線腫瘍学における重要な進歩である。 sCT 生成における深層学習アプローチの頻度を明らかにするため,35 件の関連研究を同定,解析した。
  論文  参考訳（メタデータ） (2025-01-22T13:54:07Z)
• Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
  毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。 治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。 本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
  論文  参考訳（メタデータ） (2024-09-19T07:56:06Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Energy-Guided Diffusion Model for CBCT-to-CT Synthesis [8.888473799320593]
  コーンビームCT(CBCT)は、臓器解剖が変化した場合の放射線治療を正確に行うことにより、適応放射線療法(ART)において重要な役割を担っている。 CBCT画像は散乱ノイズやアーティファクトに悩まされ、CBCTのみに依存して正確な線量計算と正確な組織局在を困難にしている。 本稿では,エネルギー誘導拡散モデル(EGDiff)を提案し,胸部腫瘍データセットを用いてCBCTから合成CT(sCT)を生成する実験を行った。
  論文  参考訳（メタデータ） (2023-08-07T07:23:43Z)
• Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation Using Physics-Based Data Augmentation [4.3971310109651665]
  現在の臨床実践では、放射線治療中の患者設定にのみ、ノイズとアーティファクトを付加した毎週のコーンビームCT画像が用いられる。 治療計画には, 高画質計画ct (pct) 画像とoars ( organ-at-risk) 構造の手輪郭を用いて, 治療開始時に一度行う。 OAR構造を同時にセグメンテーションしながら毎週CBCT画像の品質を向上させることができれば、放射線治療中の治療適応や治療応答のためのバイオマーカーの抽出に重要な情報を提供することができる。
  論文  参考訳（メタデータ） (2021-03-09T19:51:44Z)

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。