論文の概要: Synthesizing Multi-Tracer PET Images for Alzheimer's Disease Patients
using a 3D Unified Anatomy-aware Cyclic Adversarial Network
- arxiv url: http://arxiv.org/abs/2107.05491v1
- Date: Mon, 12 Jul 2021 15:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 18:18:28.972994
- Title: Synthesizing Multi-Tracer PET Images for Alzheimer's Disease Patients
using a 3D Unified Anatomy-aware Cyclic Adversarial Network
- Title(参考訳): 3D Anatomy-aware Cyclic Adversarial Network を用いたアルツハイマー病患者用マルチトラッカーPET画像の合成
- Authors: Bo Zhou, Rui Wang, Ming-Kai Chen, Adam P. Mecca, Ryan S. O'Dell,
Christopher H. Van Dyck, Richard E. Carson, James S. Duncan, Chi Liu
- Abstract要約: ポジトロン・エミッション・トモグラフィー(PET)はアルツハイマー病(AD)研究の重要なツールである
医用画像合成の研究は1対1の固定ドメイン翻訳に重点を置いており、マルチトレースドメインから同時にその特徴を学習することはできない。
本稿では,複数経路PETボリュームを1つの統一的生成モデルで翻訳するための3次元統一解剖・循環対向ネットワーク (UCAN) を提案する。
- 参考スコア(独自算出の注目度): 9.406405460188818
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Positron Emission Tomography (PET) is an important tool for studying
Alzheimer's disease (AD). PET scans can be used as diagnostics tools, and to
provide molecular characterization of patients with cognitive disorders.
However, multiple tracers are needed to measure glucose metabolism (18F-FDG),
synaptic vesicle protein (11C-UCB-J), and $\beta$-amyloid (11C-PiB).
Administering multiple tracers to patient will lead to high radiation dose and
cost. In addition, access to PET scans using new or less-available tracers with
sophisticated production methods and short half-life isotopes may be very
limited. Thus, it is desirable to develop an efficient multi-tracer PET
synthesis model that can generate multi-tracer PET from single-tracer PET.
Previous works on medical image synthesis focus on one-to-one fixed domain
translations, and cannot simultaneously learn the feature from multi-tracer
domains. Given 3 or more tracers, relying on previous methods will also create
a heavy burden on the number of models to be trained. To tackle these issues,
we propose a 3D unified anatomy-aware cyclic adversarial network (UCAN) for
translating multi-tracer PET volumes with one unified generative model, where
MR with anatomical information is incorporated. Evaluations on a multi-tracer
PET dataset demonstrate the feasibility that our UCAN can generate high-quality
multi-tracer PET volumes, with NMSE less than 15% for all PET tracers.
- Abstract(参考訳): ポジトロン・エミッション・トモグラフィ(PET)はアルツハイマー病(AD)を研究する重要なツールである。
PETスキャンは診断ツールとして使用することができ、認知障害患者の分子的特徴を提供する。
しかし、グルコース代謝(18f-fdg)、シナプス小胞タンパク質(11c-ucb-j)および$\beta$-amyloid(11c-pib)を測定するために複数のトレーサが必要である。
複数のトレーサを患者に投与すると、高い放射線量と費用がかかる。
さらに、高度な製造方法と短い半減期同位体を持つ新規または低可用性トレーサを用いたPETスキャンへのアクセスは、非常に制限される可能性がある。
したがって, シングルトレーサPETからマルチトレーサPETを生成可能な, 効率的なマルチトレーサPET合成モデルを開発することが望ましい。
医用画像合成の研究は1対1の固定ドメイン翻訳に重点を置いており、マルチトレースドメインから機能を同時に学習することはできない。
3つ以上のトレーサが与えられた場合、従来の手法に依存することで、トレーニング対象のモデルの数が大幅に増加します。
これらの課題に対処するため,複数経路PETボリュームを1つの統一生成モデルで翻訳する3次元統合解剖学的巡回対位ネットワーク(UCAN)を提案する。
NMSEは全PETトレーサに対して15%未満であり,マルチトラックPETデータセットによる評価は,UCANが高品質なマルチトラックPETボリュームを生成可能であることを示す。
関連論文リスト
- PET Tracer Conversion among Brain PET via Variable Augmented Invertible
Network [8.895830601854534]
画像投影のためのトレーサ変換可逆ニューラルネットワーク(TC-INN)を開発し,FDG画像を深層学習によりDOPA画像にマッピングする。
実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
論文 参考訳(メタデータ) (2023-11-01T12:04:33Z) - ConPET: Continual Parameter-Efficient Tuning for Large Language Models [65.48107393731861]
継続的な学習には、新しいタスクへのモデルの継続的な適応が必要である。
継続性を提案する。
効率的なチューニング(ConPET) - 一般化可能なパラダイム。
大規模言語モデルの連続的なタスク適応。
論文 参考訳(メタデータ) (2023-09-26T08:52:04Z) - 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) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - A Unified Continual Learning Framework with General Parameter-Efficient
Tuning [56.250772378174446]
「事前学習$rightarrow$ダウンストリーム適応」は、継続学習の新しい機会と課題を提示する。
我々は,PETの1つのインスタンス化としてプロンプトを位置づけ,ラーニング・アキュミュレーション・アンサンブル(LAE)と呼ばれる統一的なCLフレームワークを提案する。
PET(Adapter、LoRA、Prefixなど)は、トレーニング済みのモデルをより少ないパラメータとリソースで下流のタスクに適応させることができる。
論文 参考訳(メタデータ) (2023-03-17T15:52:45Z) - Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks [10.095428964324874]
放射線標識水(15O-water)を用いたPET(Positron emission tomography)はヒトの脳血流測定における金標準であると考えられている。
PETイメージングは、その禁止コストと、通常現場でのサイクロトロン生産を必要とする短命な放射性医薬品トレーサの使用により、広く利用できない。
本研究では,マルチシーケンスMRIスキャンから金標準の15O-PET CBFを予測するためのアテンション機構を備えた畳み込みエンコーダデコーダネットワークを提案する。
論文 参考訳(メタデータ) (2022-11-22T08:25:44Z) - Synthetic PET via Domain Translation of 3D MRI [1.0052333944678682]
56ドルのF-FDG-PET/MRI検査データセットを用いて3D残像UNetをトレーニングし,全身T1強調MRIによる生理的PET取り込みを予測する。
予測されたPET画像は前方に投影され、ベンダーが提供するPET再構成アルゴリズムで使用できる合成PETタイム・オブ・フライ・シングラムを生成する。
論文 参考訳(メタデータ) (2022-06-11T21:32:40Z) - A resource-efficient deep learning framework for low-dose brain PET
image reconstruction and analysis [13.713286047709982]
本稿では,L-PET再構成と解析のための資源効率の高いディープラーニングフレームワーク,TransGAN-SDAMを提案する。
トランスGANは高品質なF-PET画像を生成し、SDAMは生成されたF-PETスライス列の空間情報を統合して全脳F-PET画像を生成する。
論文 参考訳(メタデータ) (2022-02-14T08:40:19Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳(メタデータ) (2020-10-07T06:22:24Z)
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。