論文の概要: Low-rank MERA Decomposition of 3D OCT Image Volume for Compression, Denoising, Feature Extraction and Diagnosis of Retinal Diseases

• arxiv url: http://arxiv.org/abs/2610.35271v1
• Date: Mon, 26 Oct 2026 11:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.906497
• Title: Low-rank MERA Decomposition of 3D OCT Image Volume for Compression, Denoising, Feature Extraction and Diagnosis of Retinal Diseases
• Title（参考訳）: 3D OCT画像の低速度MERA分解による網膜疾患の特徴抽出と診断
• Abstract要約: 本稿では,3D OCT画像ボリュームのテンソルネットワーク近似を用いた低ランクマルチスケールエンタングルメント再正規化アンサッツを提案する。 ディープラーニングアプローチとは異なり、提案手法はトレーニングフリーであり、各OCTボリュームを独立に処理する。
• 参考スコア（独自算出の注目度）: 9.9882352352739
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optical coherence tomography (OCT) is a non-invasive imaging modality used for visualization of retinal tissue. However, OCT volumes are affected by speckle noise, which degrades image contrast and obscures fine structural details. Furthermore, modern clinical practice requires large field-of-view, high-resolution OCT volumes, whose storage and transmission are demanding for archiving and teleophthalmology applications. To address aforementioned challenges, we propose a low-rank multi-scale entanglement renormalization ansatz (MERA) tensor network approximation of 3D OCT image volume, where the image volume is represented as contractions of a top core factor encoding global features and multiple interacting low-rank orthogonal or semi-orthogonal factors modeling inter- and intra-B scan correlations. This representation jointly enables compression, denoising, and feature extraction. Unlike deep learning approaches, the proposed approach is training-free and processes each OCT volume independently. We evaluate the proposed framework on OCT image volumes acquired by two different scanners and demonstrate improved visual quality and reduced retinal layer segmentation errors in comparison with several competing methods. We also extract MERA features from two clinical OCT volume datasets. They are subsequently classified using a Grassmann-manifold nearest-subspace classifier. With the subspace dimension as its only hyperparameter, the classifier is theoretically shown to be robust in small-sample clinical scenario. We demonstrate competitive accuracy of classification of retinal diseases in these small-sample settings, where deep learning methods are often limited by the scarcity of labeled data. The proposed structure-aware model-driven representation learning for high-dimensional data under limited supervision provides good generalization performance while maintaining high interpretability.
• Abstract（参考訳）: 光コヒーレンス断層撮影(OCT)は、網膜組織の可視化に使用される非侵襲的な画像モダリティである。 しかし、OCTボリュームはスペックルノイズの影響を受けており、画像コントラストを劣化させ、微細な構造の詳細を隠蔽する。 さらに、現代の臨床実践では、大視野で高解像度のCTボリュームが必要であり、その保存と送信は、アーカイビングおよび遠隔眼科の応用のために要求されている。 上記の課題に対処するために,3D OCT画像ボリュームの低ランクマルチスケールエンタングルメント・リノベーション・アンサッツ (MERA) テンソルネットワーク近似を提案する。 この表現は、圧縮、復調、特徴抽出を共同で行うことができる。 ディープラーニングアプローチとは異なり、提案手法はトレーニングフリーであり、各OCTボリュームを独立に処理する。 我々は2つの異なるスキャナーによって取得されたOCT画像量に関するフレームワークの評価を行い、視覚的品質の向上と網膜層のセグメンテーション誤差の低減を、競合するいくつかの手法と比較した。 また,2つの臨床CTボリュームデータセットからMERAの特徴を抽出した。 その後、グラスマン多様体の最も近い部分空間分類器を用いて分類される。 部分空間次元を唯一のハイパーパラメータとして、この分類器は小サンプルの臨床シナリオにおいて堅牢であることが理論的に示されている。 ラベル付きデータの不足によって深層学習の手法が制限されることの多い,これらの小サンプル設定における網膜疾患の分類の競争的精度を示す。 限られた監督下での高次元データに対する構造認識モデル駆動表現学習は、高い解釈性を維持しつつ、優れた一般化性能を提供する。

関連論文リスト

• A deep dictionary network-based foundation model for ultra-low-dose CT denoising [49.70293041079032]
  超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。 深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
  論文  参考訳（メタデータ） (2026-09-11T05:14:08Z)
• DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
  低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。 LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。 我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
  論文  参考訳（メタデータ） (2026-06-26T09:55:37Z)
• 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)
• Don't Mind the Gaps: Implicit Neural Representations for Resolution-Agnostic Retinal OCT Analysis [1.0093567618205226]
  Inlicit Neural representations (INRs) は、ボキセル化データを連続的な表現として保存するツールとして登場した。 網膜CTボリュームの高密度3次元解析にINRの特性を利用する2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T15:41:03Z)
• An Anisotropic Cross-View Texture Transfer with Multi-Reference Non-Local Attention for CT Slice Interpolation [14.362801452711466]
  臨床実践では、CT画像は通常、高コストのメモリストレージと操作時間のために大きなスライス厚で取得される。 深層学習に基づく超解像法はスライス間分解能を改善するために開発された。 3次元CTボリュームの異方性特性をフル活用して,CTスライスのための新しい横方向テクスチャ転送手法を提案する。
  論文  参考訳（メタデータ） (2025-09-24T15:32:39Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
  CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。 そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
  論文  参考訳（メタデータ） (2024-04-07T08:48:01Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。