RA-CMF：CT画像再構成のための領域適応型条件付きMeanFlow

arXiv cs.CV / 2026/5/5

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

本論文は、スキャナや撮像プロトコルの違いでノイズ統計・コントラスト・テクスチャが大きく変わる状況を想定し、CT画像再構成を改善する領域適応型の条件付きMeanFlowパイプラインRA-CMFを提案している。
途中状態を入力として画像条件付きのフローフィールドを予測する条件付きMeanFlowネットワークを用い、MeanFlow整合性損失と画像再構成損失の両方で学習する。
増強（エンハンス）を必要な領域にだけ適応的に行うために、強化学習ポリシーネットワークを組み込み、タイル単位のリファインメント予算、停止基準、エンハンス処理の総予算配分を出力する。
強化学習の報酬設計は、不要な計算を抑えつつ増強の改善を最大化し、リファインメント中の不安定性も回避することを目的としている。
実験では、腫瘍ROIで高い定量精度（放射画像特徴CCC 0.96、PSNR 31.30±4.16、SSIM 0.94±0.07）と、全体画質の向上（PSNR 34.23±1.71、SSIM 0.95±0.01）が示されている。