Imaging foundation model for universal enhancement of non-ideal measurement CT

要約

非理想的な測定コンピューター断層撮影（NICT）は、CTアプリケーションを拡張するために準最適なイメージングプロトコルを採用しています。
しかし、結果として生じるトレードオフは画質を低下させ、臨床的許容性を制限します。
Deep Learning MethodはNICT画像を強化するために使用されていますが、大規模なトレーニングデータセットへの依存と、多様な設定にわたる限られた一般化可能性は実用的な使用を妨げています。
Universal Nict Enhancementの最初のイメージングファンデーションモデルであるマルチスケール統合トランスアンプ（TAMP）を提案します。
1080万人の物理学駆動型のシミュレートされたNICT画像で事前に訓練されたTAMPは、さまざまなNICTの設定、欠陥度、およびボディ領域で効果的に一般化します。
さらに、パラメーター効率の高い微調整戦略により、TAMPは少数のスライスのみを使用して特定の臨床シナリオに適応することができます。
放射線科医や現実世界の検証を含む広範な実験は、TAMPが画像の品質と臨床的受容性を一貫して改善し、CTイメージングを進め、臨床診療におけるNICTアプリケーションを拡大する重要な可能性を強調していることを示しています。

要約(オリジナル)

Non-ideal measurement computed tomography (NICT) employs suboptimal imaging protocols to expand CT applications. However, the resulting trade-offs degrade image quality, limiting clinical acceptability. Although deep learning methods have been used to enhance NICT images, their reliance on large training datasets and limited generalizability across diverse settings hinder practical use. We propose the multi-scale integrated Transformer AMPlifier (TAMP), the first imaging foundation model for universal NICT enhancement. Pre-trained on 10.8 million physics-driven simulated NICT images, TAMP generalizes effectively across various NICT settings, defect degrees, and body regions. Moreover, a parameter-efficient fine-tuning strategy enables TAMP to adapt to specific clinical scenarios using only few slices. Extensive experiments, including radiologists and real-world validations, demonstrate that TAMP consistently improves image quality and clinical acceptability, underscoring its significant potential to advance CT imaging and broaden NICT applications in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google