論文の概要: Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model

• arxiv url: http://arxiv.org/abs/2109.00768v1
• Date: Thu, 2 Sep 2021 08:07:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:59:25.869119
• Title: Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model
• Title（参考訳）: 深部画像を用いたPET画像の直接再構成と前方投影モデル
• Authors: Fumio Hashimoto, Kibo Ote
• Abstract要約: 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。
• 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: Convolutional neural networks (CNNs) have recently achieved remarkable performance in positron emission tomography (PET) image reconstruction. In particular, CNN-based direct PET image reconstruction, which directly generates the reconstructed image from the sinogram, has potential applicability to PET image enhancements because it does not require image reconstruction algorithms, which often produce some artifacts. However, these deep learning-based, direct PET image reconstruction algorithms have the disadvantage that they require a large number of high-quality training datasets. In this study, we propose an unsupervised direct PET image reconstruction method that incorporates a deep image prior framework. Our proposed method incorporates a forward projection model with a loss function to achieve unsupervised direct PET image reconstruction from sinograms. To compare our proposed direct reconstruction method with the filtered back projection (FBP) and maximum likelihood expectation maximization (ML-EM) algorithms, we evaluated using Monte Carlo simulation data of brain [$^{18}$F]FDG PET scans. The results demonstrate that our proposed direct reconstruction quantitatively and qualitatively outperforms the FBP and ML-EM algorithms with respect to peak signal-to-noise ratio and structural similarity index.
• Abstract（参考訳）: 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。 特に、CNNをベースとした直接PET画像再構成は、シングラムから直接再構成画像を生成するが、画像再構成アルゴリズムを必要としないため、PET画像の強化にも適用可能である。 しかし、これらの深層学習に基づく直接PET画像再構成アルゴリズムは、多くの高品質なトレーニングデータセットを必要とするという欠点がある。 本研究では,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。 提案手法をフィルタバックプロジェクション (FBP) と最大予測最大化 (ML-EM) アルゴリズムと比較するために, モンテカルロシミュレーションデータによる脳 [$^{18}$F]FDG PETスキャンを用いて評価を行った。 その結果,提案手法はFBPおよびML-EMアルゴリズムをピーク信号対雑音比と構造類似度指数に対して定量的かつ定性的に上回っていることがわかった。

関連論文リスト

• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• 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)
• DULDA: Dual-domain Unsupervised Learned Descent Algorithm for PET image reconstruction [18.89418916531878]
  そこで本研究では,学習された適切なアルゴリズムに基づいて,二重領域の非教師付きPET画像再構成手法を提案する。 具体的には、PET画像再構成問題に対して、学習可能なl2,1ノルムで勾配法をアンロールする。 実験結果から,提案手法の性能を最大予測最大化(MLEM),全変量正規化EM(EM-TV),深部画像優先法(DIP)と比較した。
  論文  参考訳（メタデータ） (2023-03-08T15:29:17Z)
• Fully 3D Implementation of the End-to-end Deep Image Prior-based PET Image Reconstruction Using Block Iterative Algorithm [0.0]
  Deep Image prior (DIP) はPET画像再構成により注目されている。 本稿では, エンドツーエンドDIPベースの完全3次元PET画像再構成手法の実装を初めて試みる。
  論文  参考訳（メタデータ） (2022-12-22T16:25:58Z)
• 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)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• 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 Reconstruction of Linear Parametric Images from Dynamic PET Using Nonlocal Deep Image Prior [13.747210115485487]
  PETシングラムからパラメトリック画像を直接推定する直接再構成法が開発されている。 受信回数が限られているため、信号対雑音比(SNR)と直接再構成フレームワークによって生成されたパラメトリック画像の解像度は依然として限られている。 近年,多数の高品質なトレーニングラベルが利用可能である場合に,医用画像復調・復調に教師付き深層学習法がうまく応用されている。
  論文  参考訳（メタデータ） (2021-06-18T21:30:22Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network [0.0]
  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。
  論文  参考訳（メタデータ） (2020-02-11T20:32:47Z)

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。