低線量CT（LDCT）では拡散モデルが高い再構成品質を達成するが、反復サンプリング軌道により計算コストが大きい。無条件生成とは異なり、対になったLDCTの再構成は、標準線量CT（SDCT）の目標にすでに解剖と空間構造を含む画像から開始する。再構成が主に必要とするのは、線量に起因するノイズやアーティファクトの修正である。そこで我々は、ノイズから画像への軌道を定義するのではなく、LDCT画像をその対となるSDCTエンドポイントへ直接輸送することを学習するLDCT再構成手法として、残差エンドポイントフローマッチング（REFM）を提案する。REFMは、両画像間の線形補間に沿って残差速度を予測し、同一の学習済みネットワークを用いて単一ステップおよび複数ステップの再構成を可能にする。我々は、オイラー1ステップから50ステップまでで、決定論的U-Netおよび拡散ベースのベースラインに対して5種類のモデル容量を評価する。REFMの全変種において、1ステップ推論が一貫して最も高い再構成品質を与える。TCIA検証セットでは、REFM Baseが94.54 fpsで50.98 dB PSNRおよび0.9865 SSIMを達成し、DDPM-10は50.92 dB、0.9847、9.26 fpsであった。REFM Smallは、50.71 dBを維持しつつスループットを198.56 fpsへ向上させる。微調整なしでも、REFM Baseは外部のMayo Clinicデータセットにおいて25ステップDDPMベースラインと同等の性能を示す。一方で、DDPMは合成的に劣化させたCRLM画像ではより強い。したがって本結果は、対となる解剖学的対応を活用することで、拡散レベルのLDCT再構成を単一ステップ再構成で実現できることを示す。
https://doi.org/10.64898/2026.08.27.26361520