論文の概要: Synthetic PET via Domain Translation of 3D MRI
- arxiv url: http://arxiv.org/abs/2206.05618v1
- Date: Sat, 11 Jun 2022 21:32:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 17:00:39.556891
- Title: Synthetic PET via Domain Translation of 3D MRI
- Title(参考訳): 3次元MRIのドメイン翻訳によるPET合成
- Authors: Abhejit Rajagopal, Yutaka Natsuaki, Kristen Wangerin, Mahdjoub Hamdi,
Hongyu An, John J. Sunderland, Richard Laforest, Paul E. Kinahan, Peder E.Z.
Larson, Thomas A.Hope
- Abstract要約: 56ドルのF-FDG-PET/MRI検査データセットを用いて3D残像UNetをトレーニングし,全身T1強調MRIによる生理的PET取り込みを予測する。
予測されたPET画像は前方に投影され、ベンダーが提供するPET再構成アルゴリズムで使用できる合成PETタイム・オブ・フライ・シングラムを生成する。
- 参考スコア(独自算出の注目度): 1.0052333944678682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Historically, patient datasets have been used to develop and validate various
reconstruction algorithms for PET/MRI and PET/CT. To enable such algorithm
development, without the need for acquiring hundreds of patient exams, in this
paper we demonstrate a deep learning technique to generate synthetic but
realistic whole-body PET sinograms from abundantly-available whole-body MRI.
Specifically, we use a dataset of 56 $^{18}$F-FDG-PET/MRI exams to train a 3D
residual UNet to predict physiologic PET uptake from whole-body T1-weighted
MRI. In training we implemented a balanced loss function to generate realistic
uptake across a large dynamic range and computed losses along tomographic lines
of response to mimic the PET acquisition. The predicted PET images are forward
projected to produce synthetic PET time-of-flight (ToF) sinograms that can be
used with vendor-provided PET reconstruction algorithms, including using
CT-based attenuation correction (CTAC) and MR-based attenuation correction
(MRAC). The resulting synthetic data recapitulates physiologic $^{18}$F-FDG
uptake, e.g. high uptake localized to the brain and bladder, as well as uptake
in liver, kidneys, heart and muscle. To simulate abnormalities with high
uptake, we also insert synthetic lesions. We demonstrate that this synthetic
PET data can be used interchangeably with real PET data for the PET
quantification task of comparing CT and MR-based attenuation correction
methods, achieving $\leq 7.6\%$ error in mean-SUV compared to using real data.
These results together show that the proposed synthetic PET data pipeline can
be reasonably used for development, evaluation, and validation of PET/MRI
reconstruction methods.
- Abstract(参考訳): これまで,PET/MRIとPET/CTの様々な再構成アルゴリズムの開発と検証に患者データセットが用いられてきた。
このようなアルゴリズム開発を実現するために,何百もの患者試験を受けることなく,多量のmriから合成的かつ現実的な全身性ペットシンノグラムを生成するための深層学習手法を提案する。
具体的には、56$^{18}$F-FDG-PET/MRIのデータセットを用いて、3D残像UNetをトレーニングし、全身T1強調MRIによる生理的PET取り込みを予測する。
トレーニングでは,PET 取得を模倣したトモグラフィー線に沿って,広いダイナミックレンジと計算された損失を現実的に吸収する平衡損失関数を実装した。
予測されたPET画像は前方に投影され、CTAC(CT-based attenuation correction)やMRAC(MR-based attenuation correction)など、ベンダーが提供するPET再構成アルゴリズムで使用できる合成PET(ToF)シングラムを生成する。
結果として得られる合成データは、生理学的な$^{18}$F-FDGの取り込み、例えば、脳と膀胱に局在した高い取り込み、および肝臓、腎臓、心臓、筋肉の取り込みを再カプセル化する。
高い摂取量で異常をシミュレートするため, 合成病変を挿入する。
この合成PETデータは,CTとMRに基づく減衰補正法を比較したPET定量化タスクにおいて,実データと比較して平均SUVの誤差が$\leq 7.6\%であることを示す。
これらの結果から,提案した合成PETデータパイプラインは,PET/MRI再構成法の開発,評価,検証に適していることが示された。
関連論文リスト
- Synthetic CT Generation via Variant Invertible Network for All-digital
Brain PET Attenuation Correction [11.402215536210337]
減衰補正(AC)は, アーティファクトフリーで定量精度の高いポジトロン放射トモグラフィ(PET)画像の生成に不可欠である。
本稿では,脳PET画像における非減衰補正PET画像から,深層学習を用いて連続的に評価されたCT画像を生成するPET AC法を開発した。
論文 参考訳(メタデータ) (2023-10-03T08:38:52Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - 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) - Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks [10.095428964324874]
放射線標識水(15O-water)を用いたPET(Positron emission tomography)はヒトの脳血流測定における金標準であると考えられている。
PETイメージングは、その禁止コストと、通常現場でのサイクロトロン生産を必要とする短命な放射性医薬品トレーサの使用により、広く利用できない。
本研究では,マルチシーケンスMRIスキャンから金標準の15O-PET CBFを予測するためのアテンション機構を備えた畳み込みエンコーダデコーダネットワークを提案する。
論文 参考訳(メタデータ) (2022-11-22T08:25:44Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - 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) - Synthesizing Multi-Tracer PET Images for Alzheimer's Disease Patients
using a 3D Unified Anatomy-aware Cyclic Adversarial Network [9.406405460188818]
ポジトロン・エミッション・トモグラフィー(PET)はアルツハイマー病(AD)研究の重要なツールである
医用画像合成の研究は1対1の固定ドメイン翻訳に重点を置いており、マルチトレースドメインから同時にその特徴を学習することはできない。
本稿では,複数経路PETボリュームを1つの統一的生成モデルで翻訳するための3次元統一解剖・循環対向ネットワーク (UCAN) を提案する。
論文 参考訳(メタデータ) (2021-07-12T15:10:29Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z)
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。