論文の概要: Does prior knowledge in the form of multiple low-dose PET images (at
different dose levels) improve standard-dose PET prediction?
- arxiv url: http://arxiv.org/abs/2202.10998v1
- Date: Tue, 22 Feb 2022 15:58:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 17:04:29.095225
- Title: Does prior knowledge in the form of multiple low-dose PET images (at
different dose levels) improve standard-dose PET prediction?
- Title（参考訳）: 複数の低線量PET画像の形での事前知識は、標準線量PET予測を改善するか?
- Authors: Behnoush Sanaei, Reza Faghihi, and Hossein Arabi
- Abstract要約: 対応する低線量バージョン(L-PET)から標準PET画像(S-PET)を予測する深層学習法が導入された。
本研究では,複数の低線量PET画像の形で先行知識を活用し,S-PET画像を推定する手法を提案する。
- 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: Reducing the injected dose would result in quality degradation and loss of
information in PET imaging. To address this issue, deep learning methods have
been introduced to predict standard PET images (S-PET) from the corresponding
low-dose versions (L-PET). The existing deep learning-based denoising methods
solely rely on a single dose level of PET images to predict the S-PET images.
In this work, we proposed to exploit the prior knowledge in the form of
multiple low-dose levels of PET images (in addition to the target low-dose
level) to estimate the S-PET images.
- Abstract（参考訳）: 注入線量を減らすことは、PET画像における品質劣化と情報の損失をもたらす。
この問題に対処するために、対応する低線量バージョン(L-PET)から標準PET画像(S-PET)を予測するディープラーニング手法が導入された。
既存のディープラーニングに基づくDeep Learning-based denoising法は、S-PET画像の予測にPET画像の単線量レベルのみに依存している。
本研究では,複数の低線量レベルのPET画像(ターゲットの低線量レベルに加えて)を用いて,S-PET画像を推定する手法を提案する。
関連論文リスト
- End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms [43.13562515963306]
低線量PETシングラムから標準線量PET画像の再構成を行うために,TripleTフレームワークを提案する。
提案したTriPLETは,最先端の手法と比較して,SPET画像と実データとの類似性と信号対雑音比が最も高い再構成を行うことができる。
論文 参考訳（メタデータ） (2024-12-04T14:47:27Z) - S3PET: Semi-supervised Standard-dose PET Image Reconstruction via Dose-aware Token Swap [11.13611856305595]
そこで本稿では,S3PETとS3PETを併用した2段階のSPET再構成フレームワークを提案する。
我々のS3PETは、未確認画像から表現を抽出するための教師なし事前訓練段階(Stage I)と、LPET-to-SPET再構成を実現するための監督付き線量認識再建段階(Stage II)を含む。
論文 参考訳（メタデータ） (2024-07-30T14:56:06Z) - HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。
タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。
提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-07T01:50:25Z) - 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) - 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) - Improving and Simplifying Pattern Exploiting Training [81.77863825517511]
Pattern Exploiting Training (PET)は、数発学習にパターンを利用する最近のアプローチである。
本稿では,未ラベルデータのないショットラーニングに焦点をあて,ADAPETを導入する。
ADAPETは、タスク固有のラベルなしデータなしでSuperGLUE上のPETより優れています。
論文 参考訳（メタデータ） (2021-03-22T15:52:45Z)
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。