クロスドーズPETデノイジングを再考：残差ノイズ学習で平均化効果を抑える

arXiv cs.CV / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

低線量PET（LDPET）に対するクロスドーズ・デノイジングは、異なるノイズレベルでも汎化性を高めることを目的としているが、特定の線量で学習したモデルは他の線量条件で性能が落ちやすい。
本研究は、従来の「ワンサイズ・フォー・オール」モデルが、異質なノイズ分布にわたる期待値を暗黙に最適化してしまうため、ノイズ間で平均化された表現を学び性能劣化につながる点を明らかにする。
提案手法は、低線量PET画像からノイズを直接推定する統一的な残差ノイズ学習フレームワークであり、「フル線量画像の予測」ではなく「ノイズ推定」に焦点を当てる。
2つの医療センターから得た大規模な多線量PETデータセットでの実験では、提案手法がワンサイズ・フォー・オール、線量別U-Net、線量条件付け手法を上回り、デノイジング性能とクロスドーズ汎化が改善した。
これらの結果から、残差ノイズ学習が平均化効果を抑え、クロスドーズPETデノイジングの頑健性を高める有効な手段であることが示唆される。