[論文レビュー] Uncertainty-guided Generation of Dark-field Radiographs

Lina Felsner, Henriette Bast+5 more|arXiv (Cornell University)|Jan 22, 2026

Advanced X-ray Imaging Techniques被引用数 0

ひとこと要約

この論文は、標準の attenuation 胸部X線写真から X 線ダークフィールド画像を生成する Progressive GAN フレームワークを提示し、妥当性と解釈性を向上させるために aleatoric および epistemic 不確かさの両方をモデリングします。

ABSTRACT

X-ray dark-field radiography provides complementary diagnostic information to conventional attenuation imaging by visualizing microstructural tissue changes through small-angle scattering. However, the limited availability of such data poses challenges for developing robust deep learning models. In this work, we present the first framework for generating dark-field images directly from standard attenuation chest X-rays using an Uncertainty-Guided Progressive Generative Adversarial Network. The model incorporates both aleatoric and epistemic uncertainty to improve interpretability and reliability. Experiments demonstrate high structural fidelity of the generated images, with consistent improvement of quantitative metrics across stages. Furthermore, out-of-distribution evaluation confirms that the proposed model generalizes well. Our results indicate that uncertainty-guided generative modeling enables realistic dark-field image synthesis and provides a reliable foundation for future clinical applications.

研究の動機と目的

• 従来の 2D X 線からダークフィールド画像を生成して大規模データ拡張を可能にする動機づけ。
• aleatoric および epistemic 不確かさを同時にモデリングする不確かさ指向の Progressive GAN フレームワークを導入。
• 独自データおよび外部データセットでのアプローチの頑健性と一般化能力を評価。

提案手法

• 不確かさガイド付きの refinements を持つ 3 段階の Progressive GAN を使用し、aleatoric 推定を後続段階の attention マップとして機能させる。
• 一般化ガウス分布のパラメータ alpha（スケール）と beta（形状）で画素ごとに aleatoric 不確かさをモデリング。
• 推論時に複数回の確率的フォワードを行う Monte Carlo dropout によって epistemic 不確かさを推定。
• ノイズの質感を現実的なダークフィールド統計と整合させる residual consistency loss を組み込む。
• 対になる attenuation-ダークフィールド画像でデータ拡張と cosine-annealing 学習率スケジュールを用いて学習。
• ステージ間で Fidelity を評価するために MSE、SSIM、PSNR を用いて評価。

Figure 2: Proposed Uncertainty-Guided Progressive GAN framework, illustrated for model training at stage three. At this stage, the previous layers are frozen. The aleatoric uncertainty estimates are used as attention maps to guide the model’s weights for refinement in the subsequent stage. Dropout i

実験結果

リサーチクエスチョン

• RQ1 減衰した胸部 radiograph を現実的なダークフィールド画像へ翻訳できる GAN は存在するか？
• RQ2 aleatoric および epistemic 不確かさを明示的にモデリングすると、生成されるダークフィールド画像の品質、信頼性、解釈性は改善されるか？
• RQ3 Progressive refinement は各段階で定量的な忠実度と不確かさマップにどのような影響を与えるか？
• RQ4 grating ベースの取得領域を超えるout-of-distributionの胸部 X 線写真に対してモデルは一般化できるか？

主な発見

Stage	MSE	PSNR	SSIM
Stage 1	0.0131±0.0067	19.35±2.14	0.38±0.06
Stage 2	0.0125±0.0066	19.57±2.24	0.47±0.05
Stage 3	0.0123±0.0067	19.71±2.37	0.52±0.05

• 生成されたダークフィールド画像は、実データと高い視覚的・定量的整合性を段階的に示す。
• MSE は低下し、PSNR および SSIM は段階的に上昇：Stage 1（MSE 0.0131、PSNR 19.35、SSIM 0.38）；Stage 2（0.0125、19.57、0.47）；Stage 3（0.0123、19.71、0.52）。
• aleatoric 不確かさは一般に段階とともに低下し、肺領域に高い値が集中する；epistemic 不確かさは段階を通じて相対的に一定。
• out-of-distribution NIH Chest X-ray データに対して現実的なダークフィールド生成と、それに対応する不確かさが示され、陌生な領域を示す不確かさが観察されるが、アーチファクトと高い不確かさを伴う失敗ケースも存在。

Figure 3: Comparison of attenuation, real dark-field, and generated dark-field images for two patients.