論文の概要: Simultaneous Denoising and Motion Estimation for Low-dose Gated PET
using a Siamese Adversarial Network with Gate-to-Gate Consistency Learning
- arxiv url: http://arxiv.org/abs/2009.06757v1
- Date: Mon, 14 Sep 2020 21:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:01:37.100151
- Title: Simultaneous Denoising and Motion Estimation for Low-dose Gated PET
using a Siamese Adversarial Network with Gate-to-Gate Consistency Learning
- Title(参考訳): ゲート・ツー・ゲイト整合学習を用いたシームズ対向ネットワークを用いた低線量PETの同時Denoisingと運動推定
- Authors: Bo Zhou, Yu-Jung Tsai, Chi Liu
- Abstract要約: 低線量ゲート画像量から高線量ゲート画像容積を効率よく回収できるシームズ対逆ネットワーク(SAN)を提案する。
高品質回復ゲートボリュームでは、移動推定ネットワークからゲート間移動ベクトルを同時に出力することができる。
- 参考スコア(独自算出の注目度): 9.953617189070595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gating is commonly used in PET imaging to reduce respiratory motion blurring
and facilitate more sophisticated motion correction methods. In the
applications of low dose PET, however, reducing injection dose causes increased
noise and reduces signal-to-noise ratio (SNR), subsequently corrupting the
motion estimation/correction steps, causing inferior image quality. To tackle
these issues, we first propose a Siamese adversarial network (SAN) that can
efficiently recover high dose gated image volume from low dose gated image
volume. To ensure the appearance consistency between the recovered gated
volumes, we then utilize a pre-trained motion estimation network incorporated
into SAN that enables the constraint of gate-to-gate (G2G) consistency. With
high-quality recovered gated volumes, gate-to-gate motion vectors can be
simultaneously outputted from the motion estimation network. Comprehensive
evaluations on a low dose gated PET dataset of 29 subjects demonstrate that our
method can effectively recover the low dose gated PET volumes, with an average
PSNR of 37.16 and SSIM of 0.97, and simultaneously generate robust motion
estimation that could benefit subsequent motion corrections.
- Abstract(参考訳): ゲーティングはPET画像において、呼吸運動のぼかしを減らし、より洗練された運動補正方法を容易にするために一般的に用いられる。
しかし、低線量PETの応用では、注入線量を減らすことでノイズが増加し、信号対雑音比(SNR)が減少し、その後運動推定/補正ステップが劣化し、画質が低下する。
これらの問題に対処するため,我々はまず,低線量ゲート画像量から高線量ゲート画像ボリュームを効率的に回収できるsiamese adversarial network (san)を提案する。
回収されたゲートボリューム間の外観整合性を確保するため、sanに組み込まれた事前学習されたモーション推定ネットワークを利用し、ゲート間一貫性(g2g)の制約を可能にする。
高品質回復ゲートボリュームでは、移動推定ネットワークからゲート間移動ベクトルを同時に出力することができる。
被験者29名を対象にした低線量率PETデータセットの総合評価により,PSNR37.16およびSSIM0.97の低線量化PETボリュームを効果的に回収し,その後の運動補正に役立つロバストな動き推定を同時に生成できることが示唆された。
関連論文リスト
- Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data [9.160782425067712]
低線量スキャンから高画質画像を再構成するためのCycle-DCN(Cycle-versa Adrial Denoising Convolutional Network)を提案する。
1,224名の患者から得られた生のPET脳データからなる大規模なデータセットを用いて実験を行った。
サイクルDCNは平均ピーク信号対雑音比(PSNR)、SSIM、正規化ルート平均角誤差(NRMSE)を3つの線量レベルで改善する。
論文 参考訳(メタデータ) (2024-10-31T04:34:28Z) - 2.5D Multi-view Averaging Diffusion Model for 3D Medical Image Translation: Application to Low-count PET Reconstruction with CT-less Attenuation Correction [17.897681480967087]
ポジトロン・エミッション・トモグラフィ(PET)は重要な臨床画像診断ツールであるが、患者や医療機関に必然的に放射線障害をもたらす。
非減衰補正低線量PETを減衰補正標準線量PETに変換する3D法の開発が望ましい。
近年の拡散モデルは、従来のCNNベースの手法よりも優れた画像から画像への翻訳のための最先端のディープラーニング手法として登場した。
NACを用いた3次元画像から画像への変換のための新しい2.5次元マルチビュー平均拡散モデル(MADM)を開発した。
論文 参考訳(メタデータ) (2024-06-12T16:22:41Z) - Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。
提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。
提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
論文 参考訳(メタデータ) (2024-03-12T05:06:07Z) - Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2024-03-06T08:35:29Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - 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) - CG-3DSRGAN: A classification guided 3D generative adversarial network
for image quality recovery from low-dose PET images [10.994223928445589]
PET画像では, トレーサー線量による高放射能が主な関心事である。
投与量を減少させると、画像の質が不十分になる。
CNNを用いた低線量PET合成法が開発されている。
論文 参考訳(メタデータ) (2023-04-03T05:39:02Z) - Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image
Denoising [0.5999777817331317]
ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。
DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
論文 参考訳(メタデータ) (2023-02-27T06:55:00Z) - Anatomical-Guided Attention Enhances Unsupervised PET Image Denoising
Performance [0.0]
解剖学的情報誘導型注意機構に基づく教師なし3次元PET画像復調手法を提案する。
MR-GDD(MR-GDD)はMR-Guidance画像の空間的詳細と意味的特徴をより効果的に活用する。
論文 参考訳(メタデータ) (2021-09-02T09:27:07Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。