医用画像処理2026/8/11arXiv:2608.10343

ENCORE: 低線量CTノイズ除去のための効率的なノイズ文脈認識表現

ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising

CT画像のノイズ特性を考慮した新しいノイズ除去フレームワークを提案し、局所的なノイズパワーと相関を利用して畳み込み重みを適応的に変化させることで、画質と計算効率を向上させた。

詳しい要約

1. どんなもの？

低線量CT画像のノイズ除去のための深層学習フレームワーク。CTノイズの非定常性と空間的相関を考慮し、ノイズコンテキスト（局所ノイズパワーと相関）を抽出して利用する。FlyingConvモジュールにより領域ごとに畳み込み重みを適応的に変化させる。

2. 先行研究と比べてどこがすごい？

従来の深層学習ベースのdenoisingは自然画像向けの汎用アーキテクチャを用いており、CTノイズの特性を考慮していない。本手法は、CTノイズの現実的な分布に基づくノイズ合成と、ノイズコンテキストを明示的に活用する点で優れている。また、denoising品質と計算効率の両方で大幅な改善を達成している。

3. 技術・手法の肝は？

手法の肝は、(1) 従来のGaussian近似を超えた現実的なノイズ分布に基づくノイズ合成手順の再構成、(2) 局所ノイズパワーと相関コンテキストの抽出、(3) 領域ごとに畳み込み重みを適応的に変化させるFlyingConvモジュールの提案。さらに、推論時にノイズコンテキストマップの強度を操作することでゼロショット条件付きdenoisingを可能にする。

4. どうやって有効だと検証した？

要旨からは具体的な検証方法（データセット、比較手法、評価指標）は不明。ただし、denoising品質と計算効率の両方で substantial gains を達成したと述べられている。

5. 議論はある？

要旨からは議論の内容は不明。ただし、ノイズコンテキストの強度操作による出力テクスチャの動的制御が可能である点は、臨床応用における利点と潜在的な課題（例えば、操作の解釈性や安全性）が考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、低線量CT denoisingの分野では、深層学習ベースのdenoising手法（例：RED-CNN, WGAN-VGG）やCTノイズモデリングに関する研究が考えられる。また、FlyingConvのような適応的畳み込みは、動的フィルタネットワークや条件付き畳み込みの研究と関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Minwoo Yu, N. Robert Bennett, Jongduk Baek, Adam S. Wang

分類: cs.CV, physics.med-ph

原文アブストラクト

While deep learning-based denoising has become widely adopted in low-dose CT, conventional models use generic architectures designed for natural images, failing to account for non-stationary and spatially correlated CT noise characteristics. To address this, we propose an Efficient Noise COntext-aware REpresentation (ENCORE) framework that explicitly leverages CT noise characteristics and anatomical features. First, we reformulate the noise synthesis procedure based on a realistic noise distribution beyond the conventional Gaussian approximation, establishing a rigorous foundation for training pair generation. Next, we extract local noise power and correlation contexts to guide the denoising process. To fully leverage the potential of noise context, we propose a FlyingConv module, which adaptively changes convolution weights for each local image region. Notably, our approach demonstrates substantial gains in both denoising quality and computational efficiency. Furthermore, manipulating the intensity of the noise context maps at inference time enables zero-shot conditional denoising, allowing for dynamic control over the output image texture. The entire pipeline is available at https://github.com/minwoo-yu/ENCORE.git

arXivで原文を読む →arXiv概要ページ