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
- 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 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) - 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) - 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) - 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) - 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) - 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。