論文の概要: VascuSR: Iterative Anatomy-Aware Diffusion for CT Super-Resolution
- arxiv url: http://arxiv.org/abs/2610.20509v1
- Date: Wed, 14 Oct 2026 17:12:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.264054
- Title: VascuSR: Iterative Anatomy-Aware Diffusion for CT Super-Resolution
- Title（参考訳）: VascuSR : CT超解像に対する反復解剖学的拡散法
- Abstract要約: VascuSRは、画像再構成と明示的な3Dガイダンスを組み合わせた解剖学的認識拡散フレームワークである。
再アノテーションされたMSD Task08とHVMデータセットでは、VascuSRは、セグメンテーション精度と3D血管構造において、血管および学習ベースのSRベースラインより優れている。
学習ベースのベースラインと比較して、VascuSRは、両方のデータセットで平均接続成分数を20%以上削減し、MSDでは平均中心距離を10%以上削減する。
- 参考スコア（独自算出の注目度）: 47.44579735231579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative super-resolution (SR) can recover sharp detail in computed tomography (CT) images from severely downsampled observations, but the missing high-frequency content is not uniquely determined by the low-resolution input. Consequently, visually plausible reconstructions may contain anatomically unsupported vascular detail, such as missing, spurious, or incorrectly connected vessels. To overcome this challenge, we introduce VascuSR, an iterative anatomy-aware diffusion framework that combines image reconstruction with explicit 3D vascular guidance. First, to provide richer anatomical guidance, we use an explicit 3D vascular representation that captures structural information beyond individual slices. This representation also simplifies vascular refinement by allowing a lightweight 3D generative refiner to focus on vascular structure rather than complex CT appearance. Second, to guide slice-wise SR, a lightweight anatomy controller injects the refined structure into the diffusion decoder, while iterative feedback updates this guidance from each new SR volume. On re-annotated MSD Task08 and HVM datasets, VascuSR outperforms interpolation and learning-based SR baselines in segmentation accuracy (Dice and clDice) and 3D vascular structure (connectivity and mean centerline distance), while maintaining image quality comparable to its SR backbone. Compared with learning-based baselines, VascuSR reduces class-averaged connected-component counts by over 20% on both datasets and mean centerline distance by over 10% on MSD.
- Abstract（参考訳）: 生成型超解像 (SR) は, 高精度な縮小観察からCT画像の鮮明な細部を復元することができるが, 低分解能入力により, 欠落した高周波成分が一意に決定されることはない。
結果として、視覚的に可視な再建は、解剖学的に支持されていない血管の細部、例えば欠損、突発性、または誤って接続された血管を含む可能性がある。
この課題を克服するために、画像再構成と明示的な3D血管誘導を組み合わせた反復解剖学的拡散フレームワークであるVascuSRを紹介した。
まず、よりリッチな解剖学的ガイダンスを提供するために、個々のスライスを超えて構造情報をキャプチャする明示的な3D血管表現を使用します。
この表現はまた、軽量な3D生成精細機が複雑なCT像ではなく、血管構造に焦点を絞ることにより、血管の微細化を単純化する。
第2に、スライス的にSRを誘導するために、軽量な解剖制御器が改良された構造を拡散デコーダに注入し、繰り返しフィードバックが新しいSRボリュームからこのガイダンスを更新する。
再アノテーションされたMSD Task08とHVMデータセットでは、VascuSRは、SRバックボーンに匹敵する画質を維持しながら、補間と学習に基づくSRベースラインをセグメンテーション精度(DiceとclDice)と3D血管構造(接続性と平均中心距離)で上回る。
学習ベースのベースラインと比較して、VascuSRは、両方のデータセットで平均接続成分数を20%以上削減し、MSDでは平均中心距離を10%以上削減する。
関連論文リスト
- PPCAR-Net: Projection-Refined Parametric 3D Coronary Artery Reconstruction from Sparse X-ray Angiographic Views [22.22850946597801]
PPCAR-Netは投射精製パラメトリック冠動脈再建ネットワークである。
これは、明示的な点マッチング、三角測量、中間体積を伴わずに、分岐構造された中心線と半径の表現を直接予測する。
PPCAR-Netは,CT由来の冠動脈解剖から生じる模擬血管造影マスクにおいて,より良好な動脈再建を行い,中心線精度が向上する。
論文 参考訳（メタデータ） (2026-10-07T03:40:36Z) - Vesselpose: Vessel Graph Reconstruction from Learned Voxel-wise Direction Vectors in 3D Vascular Images [2.8991059698468287]
本稿では3次元画像データからトポロジカルに正確な血管グラフを抽出する手法を提案する。
提案手法は,3つのベンチマークデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-01T09:34:39Z) - PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。
我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。
まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。
第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
論文 参考訳（メタデータ） (2026-04-01T15:57:18Z) - Improve Retinal Artery/Vein Classification via Channel Couplin [12.219907282789285]
本稿では,血管,動脈,静脈のコヒーレンスと整合性を確保するために,Channel-Coupled Vessel Consistency Lossという新たな損失を提案する。
また、画像内画素レベルのコントラスト損失という正規化用語を導入し、より識別性の高い特徴レベルの微粒化表現を抽出する。
SOTAの結果は、RITE、LES-AV、HRFを含む3つのパブリックA/V分類データセットで達成されている。
論文 参考訳（メタデータ） (2025-07-31T18:43:02Z) - KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳（メタデータ） (2024-09-19T14:21:38Z) - 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。
スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。
本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
論文 参考訳（メタデータ） (2024-05-17T11:23:33Z) - Deep Learning for Vascular Segmentation and Applications in Phase
Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。
我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。
HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文 参考訳（メタデータ） (2023-11-22T11:15:38Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳（メタデータ） (2022-08-17T03:42:19Z) - Deep Open Snake Tracker for Vessel Tracing [32.97987423431042]
中心線と半径を持つ3次元医用画像の血管構造をモデル化した血管トレースは、血管の健康に有用な情報を提供することができる。
既存のアルゴリズムは開発されているが、不完全または不正確な容器追跡のような永続的な問題もある。
本稿では3次元画像中の容器をトレースする深層学習に基づく開曲線アクティブな輪郭モデル(DOST)を提案する。
論文 参考訳（メタデータ） (2021-07-19T17:59:31Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z)
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。