論文の概要: PhyDiCT: Plug-and-Play CT Reconstruction from Sparse X-Rays via Differentiable Rendering and Strong Priors

• arxiv url: http://arxiv.org/abs/2610.09253v1
• Date: Wed, 07 Oct 2026 00:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.654057
• Title: PhyDiCT: Plug-and-Play CT Reconstruction from Sparse X-Rays via Differentiable Rendering and Strong Priors
• Title（参考訳）: PhyDiCT:Sparse X線からのプラスティック・アンド・プレイCT再構成
• Abstract要約: 少数のX線プロジェクションからのCT画像の再構成は、情報の欠落による非常に不適切な逆問題である。 本稿では,Beer-Lambert法則に基づく微分可能な物理モデルを統合する学習自由フレームワークであるPhyDiCTを提案する。 本手法は,知覚と意味の両方の指標を用いて,公開されている3次元CTデータセットに対して広範に評価する。
• 参考スコア（独自算出の注目度）: 9.618219976518285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing 3D Computed Tomography (CT) images from a few X-ray projections is a highly ill-posed inverse problem due to the loss of volumetric information. We propose PhyDiCT, a training-free framework that integrates a differentiable Physics-based forward model, grounded in the Beer-Lambert law, with a text-conditioned Diffusion as a strong prior to reconstruct 3D lung CT images. We refer to our approach as training-free since the prior model is used without fine-tuning, and our goal is to steer the denoising procedure to generate samples consistent with X-ray observations. We guide the diffusion generation using Split Gibbs sampling to jointly optimize for projection fidelity (reward) and consistency with prior knowledge. Also, we introduce a test-time refinement step that enhances image realism and anatomical coherence. We extensively evaluate our method on publicly available 3D CT datasets using both perceptual and semantic metrics, demonstrating that it surpasses existing plug-and-play diffusion and fully trained reconstruction approaches. Our findings highlight that combining a strong generative prior with the underlying physics of image formation substantially improves reconstruction quality, e.g., 7.5\% improvement on SSIM compared to full training methods. Code will be released at https://github.com/batmanlab/PhyDiCT.
• Abstract（参考訳）: 数個のX線投影画像からCT像を再構成することは,体積情報の欠落による逆問題である。 本稿では,3次元肺CT画像の再構成に先立って,テキスト条件の拡散を強固とするBeer-Lambert法を基礎とした,微分可能な物理ベースフォワードモデルを統合するトレーニングフリーフレームワークであるPhyDiCTを提案する。 我々は,従来のモデルが微調整なしで使用されるため,本手法をトレーニング不要とみなし,X線観測と整合したサンプルを生成するためにデノナイジング手順を操ることが目的である。 スプリットギブスサンプリングを用いて拡散生成を導出し、投射忠実度(逆)と先行知識との整合性を協調的に最適化する。 また、画像リアリズムと解剖学的コヒーレンスを高めるテストタイム改善ステップを導入する。 提案手法は,既存のプラグアンドプレイ拡散と完全に訓練された再構成手法を超越していることを示すとともに,知覚的,意味的両方の指標を用いて,公開されている3次元CTデータセットに対して広範に評価を行った。 以上の結果から,画像形成の基礎となる物理と強い生成前を組み合わさることで,SSIMの再現性を大幅に向上することが明らかとなった。 コードはhttps://github.com/batmanlab/PhyDiCT.comでリリースされる。

関連論文リスト

• Optimizing 3D Diffusion Models for Medical Imaging via Multi-Scale Reward Learning [7.493047521402676]
  本稿では,RL(Reinforcement Learning)を用いた3次元拡散モデルの改良手法を提案する。 2次元スライス・アセスメントと3次元解析を統合した新たな報酬システムによって導かれるPPO(Proximal Policy Optimization)を用いてモデルを微調整する。 以上の結果から,RLフィードバックを組み込むことで,より高品質な分散を実現することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-06T11:30:55Z)
• Walking the Schrödinger Bridge: A Direct Trajectory for Text-to-3D Generation [51.337622918786074]
  本稿では,新しいテキストから3D生成フレームワークであるTray-Centric Distillation (TraCe)を紹介する。 TraCeは、最先端技術よりも優れた品質と忠実性を実現している。
  論文  参考訳（メタデータ） (2025-11-06T09:21:57Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• TomoGRAF: A Robust and Generalizable Reconstruction Network for Single-View Computed Tomography [3.1209855614927275]
  従来の解析的・定性的なCT再構成アルゴリズムは数百の角データサンプリングを必要とする。 我々は,高品質な3Dボリュームを再構成するために,ユニークなX線輸送物理を取り入れた新しいTtomoGRAFフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-12T20:07:59Z)
• Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
  我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。 実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
  論文  参考訳（メタデータ） (2024-03-07T00:12:08Z)
• CT Reconstruction using Diffusion Posterior Sampling conditioned on a Nonlinear Measurement Model [17.26789842018146]
  拡散後方サンプリングは, 高品質なCT画像の高画質化に用いられている。 現在の手法は、画像の再構成や復元にX線CT物理の線形モデルに依存している。 本研究では,拡散後サンプリングによる非線形CT画像再構成の逆問題を解決する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-03T17:20:11Z)
• Simulator-Based Self-Supervision for Learned 3D Tomography Reconstruction [34.93595625809309]
  従来の機械学習アプローチでは、トレーニングのために別のアルゴリズムで計算された参照再構成が必要となる。 我々は、ノイズの多い2次元X線データのみを用いて、完全に自己教師された方法でモデルを訓練する。 以上の結果から,既存の再建技術よりも視覚的忠実度が高く,PSNRが優れていた。
  論文  参考訳（メタデータ） (2022-12-14T13:21:37Z)
• Stable Optimization for Large Vision Model Based Deep Image Prior in Cone-Beam CT Reconstruction [6.558735319783205]
  LVM(Large Vision Model)は、最近医療画像のタスクにおいて大きな可能性を実証した。 Deep Image Prior(DIP)は、トレーニングされていないニューラルネットワークを効果的にガイドし、トレーニングデータなしで高品質のCBCT画像を生成する。 スパースビューCBCTのためのフォワードモデルフリーDIPモデルの安定最適化法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T15:16:29Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)

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。