論文の概要: ContiLNN: Mitigating Slice Sampling Discontinuity with Liquid Neural Networks for Medical Image Restoration

• arxiv url: http://arxiv.org/abs/2610.12337v1
• Date: Thu, 08 Oct 2026 17:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.204796
• Title: ContiLNN: Mitigating Slice Sampling Discontinuity with Liquid Neural Networks for Medical Image Restoration
• Title（参考訳）: ContiLNN:医療画像復元のための液体ニューラルネットワークによるスライスサンプリング不連続の緩和
• Abstract要約: ContiLNNはスライスモデリングのための連続時間モジュールを備えた2次元復元バックボーンを拡張している。 参照誘導整合性は、解剖学的変動を維持するために、一階と二階のクロススライス強度差を整合させる。 PLN は Restore-RWKV の平均 PSNR を 0.1907, 1.0176, 1.2482 dB で改善する。
• 参考スコア（独自算出の注目度）: 18.24216809114947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anatomical continuity provides complementary information for medical image restoration, but its use requires accounting for local anatomy and variations in slice sampling. We introduce ContiLNN, which augments two-dimensional restoration backbones with bidirectional closed-form continuous-time (Bi-CfC) modules for cross-slice modeling while retaining in-plane feature extraction. Slice-index intervals modulate gates determined by local features and hidden states, enabling propagation to respond to sampling variations without numerical ODE integration. Reference-guided consistency aligns first- and second-order cross-slice intensity differences to preserve anatomical variation, while distillation from a frozen backbone helps retain in-plane fidelity. Across five training seeds, ContiLNN improves mean PSNR over Restore-RWKV by 0.1907, 1.0176, and 1.2482 dB for CT denoising, MRI super-resolution, and reduced-count PET restoration, respectively, with lower RMSE in all three tasks. CT results are descriptive for one held-out patient. PET ablations support ordered propagation beyond additional pointwise capacity. Under contiguous training, Bi-CfC achieves higher fidelity than a Bi-GRU with similar parameter counts and arithmetic costs across all tested sampling conditions. Matched seven-slice profiling shows 52.8% lower latency and 57.0% lower peak GPU memory use than Bi-GRU. Mixed-gap training improves sparse and irregular-context performance for both operators, without a uniform ranking across metrics and contexts. Experiments with fewer training patients and a second backbone further support data efficiency and backbone compatibility.
• Abstract（参考訳）: 解剖学的連続性は、医用画像復元のための補完的な情報を提供するが、その利用には局所的な解剖学とスライスサンプリングのバリエーションを考慮する必要がある。 平面上の特徴抽出を維持しながらクロススライスモデリングのための双方向閉形式連続時間(Bi-CfC)モジュールで2次元復元バックボーンを増強するContiLNNを提案する。 スライス・インデックス間隔は、局所的な特徴と隠れ状態によって決定されるゲートを変調し、数値ODE積分なしでサンプリング変動に対応することができる。 基準誘導整合性は、解剖学的変動を維持するために1階と2階のクロススライス強度差を整合させ、一方、凍結したバックボーンからの蒸留は、平面内の忠実性を維持するのに役立つ。 ContiLNNは5つのトレーニング種で、Restore-RWKVのPSNRを平均0.1907、1.0176、CTの1.2482dBで改善し、MRIの超解像、PETの縮小をそれぞれ行い、3つのタスクでRMSEを低くした。 患者1名に対してCT検査を施行した。 PETアブレーションは、追加のポイントワイド・キャパシティ以上の伝播をサポートする。 連続的なトレーニングでは、Bi-CfCは、試験された全てのサンプリング条件に対して、同様のパラメータ数と算術コストを持つBi-GRUよりも高い忠実度を達成する。 マッチングされた7スライスプロファイリングでは、Bi-GRUよりも52.8%、ピーク時のGPUメモリ使用率が57.0%低い。 混合ギャップトレーニングは、メトリクスとコンテキストを均一にランキングすることなく、両方の演算子のスパースと不規則なコンテキスト性能を改善する。 より少ないトレーニング患者と第2のバックボーンによる実験は、データの効率性とバックボーンの互換性をさらにサポートする。

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• 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)
• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• SCALE-VLP: Soft-Weighted Contrastive Volumetric Vision-Language Pre-training with Spatial-Knowledge Semantics [31.49282177777596]
  既存のアプローチでは、スキャンを独立した2Dスライスとして扱い、空間コヒーレンスを妥協し、臨床的意味論を過小評価する。 空間意味論とドメイン認識表現を統合したソフトウェイトなコントラスト型視覚言語学習フレームワークを提案する。 これにより、構造的に一貫性があり、セマンティックに根ざした表現が監督され、クロスタスクの転送可能性(検索、レポート生成、分類)とドメイン間の一般化可能性を示す。
  論文  参考訳（メタデータ） (2025-11-04T21:03:17Z)
• Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
  マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:22:15Z)
• 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)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• Self-Supervised Joint Reconstruction and Denoising of T2-Weighted PROPELLER MRI of the Lungs at 0.55T [1.3149280871441427]
  再建肺MRIの画質は2人の経験者により視覚的に評価された。 提案した自己教師型モデルにより,肺像の明瞭度構造的整合性が向上した。
  論文  参考訳（メタデータ） (2025-07-18T18:29:08Z)
• Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
  本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。 対象はT1データセット(T1-w)50例であった。 ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
  論文  参考訳（メタデータ） (2024-06-21T21:22:17Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Assessment of Data Consistency through Cascades of Independently Recurrent Inference Machines for fast and robust accelerated MRI reconstruction [0.0]
  データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。 本研究は、非ループ最適化によりDCを評価するために、CIRIM (Independently Recurrent Inference Machines) のカスケードを提案する。 E2EVNは直流を明示的に定式化する必要があるのに対し、直流を暗黙的に強制する場合はCIRIMが最善であることを示す。
  論文  参考訳（メタデータ） (2021-11-30T15:34:30Z)

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。