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
- Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction [7.320877150436869]
低線量PET画像の再構成品質を高めるために,JCP(Joint compact prior)により導かれる拡散変圧器モデルを提案する。
DTMは拡散モデルの強力な分布マッピング能力と変圧器の容量を組み合わせて長距離依存を捉える。
本手法は放射線曝露リスクを軽減するだけでなく,早期診断や患者管理のためのPETイメージングツールも提供する。
論文 参考訳（メタデータ） (2024-07-01T03:54:43Z) - Functional Imaging Constrained Diffusion for Brain PET Synthesis from Structural MRI [5.190302448685122]
新しい制約拡散モデル (CDM) を用いて, 入力条件として2組構造MRIを用いた3次元脳PET画像合成のためのフレームワークを提案する。
FICDはPETにノイズを導入し、CDMで徐々に除去する。
CDMは、各denoized PETと基底真理との間のボクセルワイドアライメントを確保するために、機能的イメージング制約を導入して、denoized PETを予測することを学ぶ。
論文 参考訳（メタデータ） (2024-05-03T22:33:46Z) - Three-Dimensional Amyloid-Beta PET Synthesis from Structural MRI with Conditional Generative Adversarial Networks [45.426889188365685]
アルツハイマー病の徴候には、アミロイド-ベタ鉱床と脳萎縮がある。
PETは高価で侵襲的であり、患者を電離放射線に曝す。
MRIはより安価で、非侵襲的で、電離放射線を含まないが、脳萎縮の測定に限られる。
論文 参考訳（メタデータ） (2024-05-03T14:10:29Z) - Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness [43.45142393436787]
線量レベルの認識が可能な新しい二相多段PET再構成アルゴリズムを設計する。
事前学習フェーズは、きめ細かい識別特徴と効果的な意味表現の両方を探索するために考案された。
SPET予測フェーズは、事前学習した線量レベルを利用した粗い予測ネットワークを採用して予備結果を生成する。
論文 参考訳（メタデータ） (2024-04-02T01:57:08Z) - 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) - 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) - 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) - 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。