Fugu-MT 論文翻訳(概要): FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network

論文の概要: FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network

arxiv url: http://arxiv.org/abs/2002.04665v2
Date: Mon, 15 Jun 2020 15:07:59 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 02:55:48.444974
Title: FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network
Title（参考訳）: FastPET: ニューラルネットワークを用いた画像からのほぼリアルタイムPET再構成
Authors: William Whiteley, Vladimir Panin, Chuanyu Zhou, Jorge Cabello, Deepak Bharkhada and Jens Gregor
Abstract要約: 本稿では,アーキテクチャ的にシンプルで,メモリ空間の効率の良い,新しい直接再構成畳み込みニューラルネットワークであるFastPETを提案する。 FastPETは、原データのヒストイメージ表現で動作し、3D画像ボリューム67倍の高速な再構成を可能にする。以上の結果から, 再現は非常に高速であるだけでなく, 画像は反復的再構成よりも高品質で低ノイズであることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Direct reconstruction of positron emission tomography (PET) data using deep neural networks is a growing field of research. Initial results are promising, but often the networks are complex, memory utilization inefficient, produce relatively small 2D image slices (e.g., 128x128), and low count rate reconstructions are of varying quality. This paper proposes FastPET, a novel direct reconstruction convolutional neural network that is architecturally simple, memory space efficient, works for non-trivial 3D image volumes and is capable of processing a wide spectrum of PET data including low-dose and multi-tracer applications. FastPET uniquely operates on a histo-image (i.e., image-space) representation of the raw data enabling it to reconstruct 3D image volumes 67x faster than Ordered subsets Expectation Maximization (OSEM). We detail the FastPET method trained on whole-body and low-dose whole-body data sets and explore qualitative and quantitative aspects of reconstructed images from clinical and phantom studies. Additionally, we explore the application of FastPET on a neurology data set containing multiple different tracers. The results show that not only are the reconstructions very fast, but the images are high quality and lower noise than iterative reconstructions.
Abstract（参考訳）: 深層ニューラルネットワークを用いたポジトロン放射トモグラフィー(PET)データの直接再構成は研究の進展の場である。最初の結果は有望だが、しばしばネットワークは複雑で、メモリ使用効率が悪く、比較的小さな2d画像スライス(例えば、128x128)を生成し、低いカウントレートの再構成は品質が異なる。本稿では,アーキテクチャ的にシンプルでメモリ空間が効率的で,非自明な3次元画像ボリュームに対応し,低線量およびマルチトラックアプリケーションを含む幅広いPETデータを処理可能な,新しい直接再構成畳み込みニューラルネットワークであるFastPETを提案する。 FastPETは、順序付きサブセット期待最大化(OSEM)よりも67倍早く3D画像ボリュームを再構成できる原データのヒスト画像(すなわち画像空間)表現をユニークに操作する。全身および低用量体データセットに基づいて訓練したFastPET法について詳述し,臨床およびファントム研究から再構成画像の質的,定量的な考察を行った。さらに,複数の異なるトレーサを含む神経学データセットへのFastPETの適用について検討した。その結果, 復元が極めて高速であるだけでなく, 画像の質も高く, ノイズも少ないことがわかった。

関連論文リスト

StoDIP: Efficient 3D MRF image reconstruction with deep image priors and stochastic iterations [3.4453266252081645]
StoDIPは, 3次元MRFイメージングに基いて, 地上構造のないDeep Image Prior (DIP) 再構成を拡張した新しいアルゴリズムである。健康なボランティアの脳全体をスキャンしたデータセットで、StoDIPは、質的にも質的にも、地道な再建ベースラインよりも優れたパフォーマンスを示した。
論文参考訳（メタデータ） (2024-08-05T10:32:06Z)
Image2Points:A 3D Point-based Context Clusters GAN for High-Quality PET Image Reconstruction [47.398304117228584]
LPETから高品質なSPET画像を再構成する3DポイントベースのコンテキストクラスタGAN(PCC-GAN)を提案する。臨床とファントムの両方の実験により、PCC-GANは最先端の再建方法よりも優れています。
論文参考訳（メタデータ） (2024-02-01T06:47:56Z)
Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文参考訳（メタデータ） (2023-08-20T04:10:36Z)
TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction from Low-Dose Sinograms [45.24575167909925]
TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。最先端の手法を質的に、定量的に上回る。 GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
論文参考訳（メタデータ） (2023-08-10T06:20:00Z)
STPDnet: Spatial-temporal convolutional primal dual network for dynamic PET image reconstruction [16.47493157003075]
動的PET画像再構成のための時空間畳み込みプライマリネットワーク(STPDnet)を提案する。 PETの物理投影は、ネットワークの反復学習プロセスに埋め込まれる。実験の結果,提案手法は時間領域と空間領域の両方で大きなノイズを発生させることができることがわかった。
論文参考訳（メタデータ） (2023-03-08T15:43:15Z)
Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文参考訳（メタデータ） (2022-09-19T09:43:19Z)
REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文参考訳（メタデータ） (2022-08-17T03:42:19Z)
List-Mode PET Image Reconstruction Using Deep Image Prior [3.6427817678422016]
PET(List-mode positron emission tomography)画像再構成はPETスキャナーにとって重要なツールである。深層学習はPET画像再構成の品質を高める1つの方法である。本研究では,Deep image priorと呼ばれる教師なしCNNを用いた新しいPET画像再構成手法を提案する。
論文参考訳（メタデータ） (2022-04-28T10:44:33Z)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。計算課題に対処する2段階の学習パラダイムを開発する。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
論文参考訳（メタデータ） (2021-09-02T08:07:58Z)
MVSNeRF: Fast Generalizable Radiance Field Reconstruction from Multi-View Stereo [52.329580781898116]
MVSNeRFは、ビュー合成のための神経放射場を効率的に再構築できる新しいニューラルレンダリング手法である。高密度にキャプチャされた画像に対して,シーン毎の最適化を考慮に入れたニューラルネットワークの先行研究とは異なり,高速ネットワーク推論により,近傍の3つの入力ビューのみからラミアンスフィールドを再構成できる汎用ディープニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-03-29T13:15:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。