Neighbor2Inverse：低線量ROI位相コントラストCTに向けた自己教師ありノイズ除去

arXiv cs.CV / 2026/5/5

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

Neighbor2Inverseは、伝搬型X線位相コントラスト画像（PBI）における低線量領域（ROI）の位相コントラストCT向けに自己教師ありのノイズ除去手法を提案しています。
画像ドメインで学習する枠組みとして、各投影を構造情報を保ったまま独立したノイズを含む2種類にサブサンプル化し、低線量・高線量のペアデータなしで学習できるようにしています。
既存の解析的手法および自己教師ありノイズ除去手法と比較したベンチマークでは、細かな構造を保ちながらノイズ抑制が改善することが示されています。
ROI PBI-CTの実験では、コントラスト対雑音比、空間分解能、複合画質指標が向上し、臨床CTデータを低線量条件にシミュレーションした場合でも競争力のある性能が確認されています。
本研究はIEEEへの投稿が行われており、コード・データ・インタラクティブ図はGitHubで公開されています。

Abstract

伝搬（プロパゲーション）ベースのX線位相コントラストイメージング（PBI）は、肺の構造を高コントラストに可視化でき、強い医療的可能性を有しています。しかし、臨床への安全な導入には実質的な放射線量の低減が必要であり、それは必然的に画像ノイズの増加につながります。教師ありの畳み込みニューラルネットワークに基づくデノイジングは画像品質を回復できますが、実際には入手が稀な、低線量と高線量のペアデータセットに依存します。自己教師あり手法はこの制約を回避しますが、その多くはPBIの計算トモグラフィ（CT）の逆問題に十分適応していません。私たちは、臨床CTへも一般化する低線量PBI-CT向けの自己教師ありデノイジング枠組みであるNeighbor2Inverseを提案します。Neighbor2Neighborの原理に基づき、各ノイズを含む投影を、構造情報を保持しつつ独立したノイズ実現を含む2つの変種へサブサンプルします。これらを別々に再構成し、その結果得られたペアを用いて画像領域で直接デノイジングネットワークを訓練します。提案手法を、確立された解析的および自己教師ありデノイジングアプローチと比較してベンチマークします。関心領域（ROI）のPBI CT実験において、Neighbor2Inverseは、コントラスト対ノイズ比、空間分解能、および複合的画像品質指標の改善によって示されるように、微細な構造の保持を維持しながら優れたノイズ抑制を達成します。模擬された低線量条件下での臨床CTデータにおいても、競争力のある性能が観察されます。本研究は、可能な出版のためIEEEに投稿されています。著作権は通知なしに移譲される場合があり、その後このバージョンにアクセスできなくなる可能性があります。コード、データ、およびインタラクティブな図はhttps://github.com/J-3TO/Neighbor2Inverseで利用可能です。