論文の概要: Unsupervised inter-frame motion correction for whole-body dynamic PET
using convolutional long short-term memory in a convolutional neural network
- arxiv url: http://arxiv.org/abs/2206.06341v1
- Date: Mon, 13 Jun 2022 17:38:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 14:54:29.957793
- Title: Unsupervised inter-frame motion correction for whole-body dynamic PET
using convolutional long short-term memory in a convolutional neural network
- Title(参考訳): 畳み込み型長期記憶を用いた畳み込み型ニューラルネットワークを用いた全身動的PETのフレーム間運動補正
- Authors: Xueqi Guo, Bo Zhou, David Pigg, Bruce Spottiswoode, Michael E. Casey,
Chi Liu, Nicha C. Dvornek
- Abstract要約: 我々は、フレーム間の身体の動きを補正するための教師なしのディープラーニングベースのフレームワークを開発する。
運動推定ネットワークは、畳み込み長短期記憶層を組み合わせた畳み込みニューラルネットワークである。
トレーニング後,提案したネットワークの動作推定時間は,従来の登録ベースラインの約460倍の速度であった。
- 参考スコア(独自算出の注目度): 9.349668170221975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Subject motion in whole-body dynamic PET introduces inter-frame mismatch and
seriously impacts parametric imaging. Traditional non-rigid registration
methods are generally computationally intense and time-consuming. Deep learning
approaches are promising in achieving high accuracy with fast speed, but have
yet been investigated with consideration for tracer distribution changes or in
the whole-body scope. In this work, we developed an unsupervised automatic deep
learning-based framework to correct inter-frame body motion. The motion
estimation network is a convolutional neural network with a combined
convolutional long short-term memory layer, fully utilizing dynamic temporal
features and spatial information. Our dataset contains 27 subjects each under a
90-min FDG whole-body dynamic PET scan. With 9-fold cross-validation, compared
with both traditional and deep learning baselines, we demonstrated that the
proposed network obtained superior performance in enhanced qualitative and
quantitative spatial alignment between parametric $K_{i}$ and $V_{b}$ images
and in significantly reduced parametric fitting error. We also showed the
potential of the proposed motion correction method for impacting downstream
analysis of the estimated parametric images, improving the ability to
distinguish malignant from benign hypermetabolic regions of interest. Once
trained, the motion estimation inference time of our proposed network was
around 460 times faster than the conventional registration baseline, showing
its potential to be easily applied in clinical settings.
- Abstract(参考訳): 全身動的PETにおける被写体運動は、フレーム間ミスマッチを導入し、パラメトリックイメージングに深刻な影響を及ぼす。
従来の非厳密な登録手法は一般に計算量が多く、時間がかかる。
ディープラーニングアプローチは,高速で高精度な学習を実現する上で有望だが,トレーサ分布の変化や全身範囲についてはまだ検討されていない。
本研究では,フレーム間体の動きを補正するための教師なし自動ディープラーニングフレームワークを開発した。
運動推定ネットワークは、動的時間的特徴と空間的情報を完全に活用した畳み込み長短期記憶層を組み合わせた畳み込みニューラルネットワークである。
本データセットは90分FDGフルボディPETスキャンで27名の被験者を抽出した。
従来の学習ベースラインと深層学習ベースラインの両方と比較して,9倍のクロスバリデーションでは,パラメトリック$K_{i}$と$V_{b}$の画像の質的,定量的な空間的アライメントが向上し,パラメトリックフィッティング誤差が大幅に低減された。
また,提案手法が推定したパラメトリック画像の下流解析に影響を及ぼす可能性を示し,良質な代謝異常領域と悪性度を区別する能力を向上した。
一旦トレーニングすると,提案ネットワークの動作推定時間は,従来の登録ベースラインの約460倍高速となり,臨床応用が容易になる可能性が示唆された。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - TAI-GAN: A Temporally and Anatomically Informed Generative Adversarial
Network for early-to-late frame conversion in dynamic cardiac PET inter-frame
motion correction [15.380659401728735]
本稿では,TAI-GAN(Temporally and Anatomically Informed Generative Adrial Network)と呼ばれる新しい手法を提案する。
提案手法は臨床用82-Rb PETデータセットを用いて評価し, この結果から, TAI-GANは実際の参照フレームに匹敵する高画質の変換早期フレームを生成できることが示唆された。
論文 参考訳(メタデータ) (2024-02-14T20:39:07Z) - A gradient-based approach to fast and accurate head motion compensation
in cone-beam CT [3.5475653746630056]
本稿では,勾配に基づく最適化アルゴリズムを用いたCBCT動作推定の新しい手法を提案する。
従来の手法に比べて19倍の速さで動き推定を劇的に高速化する。
運動補償後の初期平均3mmから0.61mmまでの再投射誤差を低減させる。
論文 参考訳(メタデータ) (2024-01-17T15:37:00Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳(メタデータ) (2023-10-17T05:03:00Z) - TAI-GAN: Temporally and Anatomically Informed GAN for early-to-late
frame conversion in dynamic cardiac PET motion correction [14.611502926407669]
ルビジウム-82(82ドルRb)の急激なトレーサー運動は、フレーム間の運動補正に重大な課題をもたらす。
本稿では、初期フレームを遅延参照フレームに変換するために、時間的および解剖学的にインフォームドされた生成適応ネットワーク(TAI-GAN)を提案する。
提案手法を臨床用820ドルRbのPETデータセットで検証し,画像品質の高い変換早期フレームを作成できることを確認した。
論文 参考訳(メタデータ) (2023-08-23T21:51:24Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - DMS-GCN: Dynamic Mutiscale Spatiotemporal Graph Convolutional Networks
for Human Motion Prediction [8.142947808507365]
動作予測のためのフィードフォワードディープニューラルネットワークを提案する。
モデル全体がすべてのアクションに適合し、エンコーダ・デコーダのフレームワークに従う。
提案手法は,Human3.6MとCMU Mocapのデータセット上でSOTA法より優れている。
論文 参考訳(メタデータ) (2021-12-20T07:07:03Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳(メタデータ) (2021-11-23T18:57:11Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - Backpropagation with Biologically Plausible Spatio-Temporal Adjustment
For Training Deep Spiking Neural Networks [5.484391472233163]
ディープラーニングの成功は、バックプロパゲーションとは分離できない。
本研究では, 膜電位とスパイクの関係を再考する, 生体可塑性空間調整法を提案する。
次に,生物学的に妥当な時間的調整を提案し,時間的次元のスパイクを横切る誤差を伝搬させる。
論文 参考訳(メタデータ) (2021-10-17T15:55:51Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。