論文の概要: List-Mode PET Image Reconstruction Using Deep Image Prior
- arxiv url: http://arxiv.org/abs/2204.13404v1
- Date: Thu, 28 Apr 2022 10:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 13:13:45.186864
- Title: List-Mode PET Image Reconstruction Using Deep Image Prior
- Title（参考訳）: 深部画像を用いたリストモードPET画像再構成
- Authors: Kibo Ote, Fumio Hashimoto, Yuya Onishi, Takashi Isobe, Yasuomi Ouchi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.6427817678422016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: List-mode positron emission tomography (PET) image reconstruction is an
important tool for PET scanners with many lines-of-response (LORs) and
additional information such as time-of-flight and depth-of-interaction. Deep
learning is one possible solution to enhance the quality of PET image
reconstruction. However, the application of deep learning techniques to
list-mode PET image reconstruction have not been progressed because list data
is a sequence of bit codes and unsuitable for processing by convolutional
neural networks (CNN). In this study, we propose a novel list-mode PET image
reconstruction method using an unsupervised CNN called deep image prior (DIP)
and a framework of alternating direction method of multipliers. The proposed
list-mode DIP reconstruction (LM-DIPRecon) method alternatively iterates
regularized list-mode dynamic row action maximum likelihood algorithm
(LM-DRAMA) and magnetic resonance imaging conditioned DIP (MR-DIP). We
evaluated LM-DIPRecon using both simulation and clinical data, and it achieved
sharper images and better tradeoff curves between contrast and noise than the
LM-DRAMA and MR-DIP. These results indicated that the LM-DIPRecon is useful for
quantitative PET imaging with limited events. In addition, as list data has
finer temporal information than dynamic sinograms, list-mode deep image prior
reconstruction is expected to be useful for 4D PET imaging and motion
correction.
- Abstract（参考訳）: PET(List-mode positron emission tomography)画像再構成は、多くのLOR(Line-of-Response)を持つ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。
しかし、リストデータはビットコードのシーケンスであり、畳み込みニューラルネットワーク(CNN)による処理には適さないため、リストモードPET画像再構成へのディープラーニング技術の応用は進んでいない。
本研究では,Deep Image Prior(DIP)と呼ばれる教師なしCNNを用いた新しいPET画像再構成手法と乗算器の交互方向法フレームワークを提案する。
リストモードディップ再構成法 (lm-diprecon) は, 正則化リストモード動的行動作最大化アルゴリズム (lm-drama) とmr-dip法 (mr-dip) を繰り返す。
シミュレーションと臨床データの両方を用いてLM-DIPReconを評価し, LM-DRAMAとMR-DIPよりも画像のシャープ化, コントラストとノイズのトレードオフ曲線が良好であった。
これらの結果から,LM-DIPReconはPET画像の定量化に有用であることが示唆された。
また,リストデータは動的シンノグラムよりも詳細な時間情報を有するため,4次元pet画像と運動補正にはリストモード深部画像の事前再構成が有効であることが期待される。
関連論文リスト
- Deep unrolled primal dual network for TOF-PET list-mode image reconstruction [8.288813766151279]
飛行時間情報(TOF)は、消滅光子の正確な位置データを提供する。
深層学習アルゴリズムはPET画像再構成において有望な結果を示した。
本研究では,TOFPETリストモード再構築のためのディープアンロール型デュアルネットワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T00:17:47Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - 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) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - 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) - 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 PET Image Reconstruction Incorporating Deep Image Prior and a
Forward Projection Model [0.0]
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。
論文 参考訳（メタデータ） (2021-09-02T08:07:58Z) - 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) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-11T17:09:12Z) - 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。