[論文レビュー] CARE: Training-Free Controllable Restoration for Medical Images via Dual-Latent Steering

Xu Liu|arXiv (Cornell University)|Mar 26, 2026

Advanced Image Processing Techniques被引用数 0

ひとこと要約

CARE はデュアル潜在ブランチ（忠実性と事前）とリスク認識コントローラを用い、推論時にデータ忠実性と事前駆動の refine をバランスさせることで再訓練なしで制御可能な復元を実現する訓練フリーの医用画像復元フレームワーク。

ABSTRACT

Medical image restoration is essential for improving the usability of noisy, incomplete, and artifact-corrupted clinical scans, yet existing methods often rely on task-specific retraining and offer limited control over the trade-off between faithful reconstruction and prior-driven enhancement. This lack of controllability is especially problematic in clinical settings, where overly aggressive restoration may introduce hallucinated details or alter diagnostically important structures. In this work, we propose CARE, a training-free controllable restoration framework for real-world medical images that explicitly balances structure preservation and prior-guided refinement during inference. CARE uses a dual-latent restoration strategy, in which one branch enforces data fidelity and anatomical consistency while the other leverages a generative prior to recover missing or degraded information. A risk-aware adaptive controller dynamically adjusts the contribution of each branch based on restoration uncertainty and local structural reliability, enabling conservative or enhancement-focused restoration modes without additional model training. We evaluate CARE on noisy and incomplete medical imaging scenarios and show that it achieves strong restoration quality while better preserving clinically relevant structures and reducing the risk of implausible reconstructions and show that it achieves strong restoration quality while better preserving clinically relevant structures and reducing the risk of implausible reconstructions. The proposed approach offers a practical step toward safer, more controllable, and more deployment-ready medical image restoration.

研究の動機と目的

• 診断に関係する構造を保持しつつ、より安全な医療画像復元を促進する動機づけ。
• 異なる劣化と撮像プロトコルに対してタスク固有の再訓練を回避する訓練フリーのフレームワークを提供。
• 忠実性ガイドの潜在流と事前ガイドの潜在流を分離し、推論時にそれらをバランス。
• 観測データへの依存と生成事前の依存度を調整するリスク認識適応コントローラを導入。

提案手法

• 復元をデュアル潜在フュージョンとして定式化：z_f = Phi_f(y)（忠実性）と z_p = Phi_p(y)（事前）。
• 潜在を z* = alpha * z_f + (1 - alpha) * z_p でフュージ。ここで alpha は忠実性対事前の影響を制御。
• 信頼性 r と不確実性 u に基づき alpha を alpha = sigma(beta1 * r - beta2 * u + beta3 * lambda) で計算するリスク認識適応コントローラを開発。
• 再訓練なしで推論時に alpha を調整して保守的・バランスのとれた・強調復元のモードを生成。
• 定量指標と読者ベースの臨床的信頼性評価を含む評価プロトコルを提供。

実験結果

リサーチクエスチョン

• RQ1 訓練を要しないデュアル潜在復元フレームワークは医用画像におけるデータ忠実性と事前駆動の refine をバランスできるか？
• RQ2 適応的でリスク認識を持つコントローラは CT ノイズ除去と MRI 再構成タスクにおける復元の安全性と診断信頼性にどのように影響するか？
• RQ3 制御パラメータ lambda を変えると忠実性の保持と幻覚リスクの間でどのようなトレードオフが生じるか？
• RQ4 提案手法は臨床的な実用性を維持し、タスク固有の再訓練済みベースラインと比較して不適切な再構成を減らすか？

主な発見

Method	4X SSIM ↑	8X SSIM ↑
AIRS Medical	0.964	0.952
ATB (Joint-ICNet)	0.960	0.944
Neurospin (XPDNet)	0.959	0.942
CARE	0.964	0.955

• CARE は異なるタスクにわたる CT ノイズ除去と MRI 再構成のベンチマークで競争力のある定量的結果を達成。
• fastMRI 脳ベンチマークで CARE は 4X SSIM が 0.964、8X SSIM が 0.955 を達成、いくつかのベースラインと同等または優位。
• CARE の CT 結果は PSNR の改善とバランスのとれた SSIM を示し、忠実性の向上を示すが過度な平滑化は抑制。
• リーダー studies では CARE が最も優れたアーティファクト低減とコントラスト保持を達成し、臨床的信頼性の向上を示唆。
• アブレーションにより適応コントローラとデュアル分岐が忠実性と事前 refinement のバランス、および幻覚リスクの低減に不可欠であることが示された。