論文の概要: A resource-efficient deep learning framework for low-dose brain PET
image reconstruction and analysis
- arxiv url: http://arxiv.org/abs/2202.06548v1
- Date: Mon, 14 Feb 2022 08:40:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:10:05.961126
- Title: A resource-efficient deep learning framework for low-dose brain PET
image reconstruction and analysis
- Title(参考訳): 低用量脳PET画像再構成と解析のための資源効率のよいディープラーニングフレームワーク
- Authors: Yu Fu, Shunjie Dong, Yi Liao, Le Xue, Yuanfan Xu, Feng Li, Qianqian
Yang, Tianbai Yu, Mei Tian and Cheng Zhuo
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.713286047709982
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 18F-fluorodeoxyglucose (18F-FDG) Positron Emission Tomography (PET) imaging
usually needs a full-dose radioactive tracer to obtain satisfactory diagnostic
results, which raises concerns about the potential health risks of radiation
exposure, especially for pediatric patients. Reconstructing the low-dose PET
(L-PET) images to the high-quality full-dose PET (F-PET) ones is an effective
way that both reduces the radiation exposure and remains diagnostic accuracy.
In this paper, we propose a resource-efficient deep learning framework for
L-PET reconstruction and analysis, referred to as transGAN-SDAM, to generate
F-PET from corresponding L-PET, and quantify the standard uptake value ratios
(SUVRs) of these generated F-PET at whole brain. The transGAN-SDAM consists of
two modules: a transformer-encoded Generative Adversarial Network (transGAN)
and a Spatial Deformable Aggregation Module (SDAM). The transGAN generates
higher quality F-PET images, and then the SDAM integrates the spatial
information of a sequence of generated F-PET slices to synthesize whole-brain
F-PET images. Experimental results demonstrate the superiority and rationality
of our approach.
- Abstract(参考訳): 18F-フルオロデオキシグルコース (18F-FDG) ポジトロン・エミッション・トモグラフィ(PET)イメージングは通常、十分な診断結果を得るためにフルドーズ放射性トレーサーを必要とする。
低線量PET(L-PET)画像を高品質のフル線量PET(F-PET)画像に再構成することは、放射線照射の低減と診断精度の維持に有効な方法である。
本稿では,トランスGAN-SDAM(transGAN-SDAM)と呼ばれる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を提案し,これら生成したF-PETの標準取り込み値比(SUVR)を脳全体で定量化する。
TransGAN-SDAMはトランスフォーマーで符号化されたジェネレーティブ・アグリゲーション・ネットワーク(TransGAN)と空間変形可能なアグリゲーション・モジュール(SDAM)の2つのモジュールで構成される。
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。
実験結果は,我々のアプローチの優越性と合理性を示している。
関連論文リスト
- Unsupervised Generation of Pseudo Normal PET from MRI with Diffusion
Model for Epileptic Focus Localization [31.47772770612585]
FDGポジトロン・エミッション・トモグラフィー(PET)はてんかんの焦点を特定する上で重要なツールである。
FDG PETによる評価と診断の有効性は、健康管理群の選択に依存する。
本研究では, てんかん焦点定位のための偽正常FDG PETを生成するために, 無障害MRIからPET翻訳への教師なし学習法について検討した。
論文 参考訳(メタデータ) (2024-02-02T07:26:56Z) - 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) - 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) - 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) - PET Synthesis via Self-supervised Adaptive Residual Estimation
Generative Adversarial Network [14.381830012670969]
近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。
これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。
SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
論文 参考訳(メタデータ) (2023-10-24T06:43:56Z) - Amyloid-Beta Axial Plane PET Synthesis from Structural MRI: An Image
Translation Approach for Screening Alzheimer's Disease [49.62561299282114]
定量的に正確な構造MRIから合成アミロイドベータPET画像を生成するために、画像翻訳モデルを実装した。
その結果, 合成PET画像は, 形状, コントラスト, 全体的なSSIMおよびPSNRにおいて, 真実と高い類似性で生成できることが判明した。
論文 参考訳(メタデータ) (2023-09-01T16:26:42Z) - 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) - CPET: Effective Parameter-Efficient Tuning for Compressed Large Language
Models [86.63730733413796]
圧縮言語モデル(LLM)に基づく効果的なPETフレームワークを提案する。
主流圧縮技術がPET性能に与える影響を評価する。
次に,これらの圧縮技術によって引き起こされる知識損失を回復するために,知識継承と回復戦略を導入する。
論文 参考訳(メタデータ) (2023-07-15T04:37:11Z) - 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)
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。