論文の概要: Physics-driven Deep Learning for PET/MRI
- arxiv url: http://arxiv.org/abs/2206.06788v1
- Date: Sat, 11 Jun 2022 21:35:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 15:30:10.050156
- Title: Physics-driven Deep Learning for PET/MRI
- Title（参考訳）: PET/MRIのための物理駆動深層学習
- Authors: Abhejit Rajagopal, Andrew P. Leynes, Nicholas Dwork, Jessica E.
Scholey, Thomas A. Hope, and Peder E. Z. Larson
- Abstract要約: 我々は,同時ポジトロン放射トモグラフィ(PET)/磁気共鳴イメージング(MRI)システムのための物理・データ駆動型再構成技術について概説する。
これらの再構成手法は、構造的または統計的に、PETシステム応答の物理に基づく記述とともに、事前を利用する。
我々は,3次元PET/MRIの再構成において,多面的アプローチがハイブリッドデータと物理駆動機械学習にどのように対応しているかを明らかにする。
- 参考スコア（独自算出の注目度）: 2.2113800586902608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we review physics- and data-driven reconstruction techniques
for simultaneous positron emission tomography (PET) / magnetic resonance
imaging (MRI) systems, which have significant advantages for clinical imaging
of cancer, neurological disorders, and heart disease. These reconstruction
approaches utilize priors, either structural or statistical, together with a
physics-based description of the PET system response. However, due to the
nested representation of the forward problem, direct PET/MRI reconstruction is
a nonlinear problem. We elucidate how a multi-faceted approach accommodates
hybrid data- and physics-driven machine learning for reconstruction of 3D
PET/MRI, summarizing important deep learning developments made in the last 5
years to address attenuation correction, scattering, low photon counts, and
data consistency. We also describe how applications of these multi-modality
approaches extend beyond PET/MRI to improving accuracy in radiation therapy
planning. We conclude by discussing opportunities for extending the current
state-of-the-art following the latest trends in physics- and deep
learning-based computational imaging and next-generation detector hardware.
- Abstract（参考訳）: 本稿では, 癌, 神経疾患, 心疾患の臨床的画像化に有効な同時ポジトロン断層撮影(PET)/磁気共鳴イメージング(MRI)システムの物理・データ駆動再建技術について概説する。
これらの再構成手法は、構造的または統計的に、PETシステム応答の物理に基づく記述とともに、事前を利用する。
しかし,前向き問題のネスト表現のため,PET/MRI直接再構成は非線形問題である。
我々は,3次元PET/MRIの再構成において,多面的アプローチがハイブリッドデータと物理駆動機械学習にどのように対応しているかを解明し,減衰補正,散乱,低光子数,データの一貫性に対処するために過去5年間に行われた重要なディープラーニング開発を要約する。
また, PET/MRIを超越して放射線治療計画の精度を向上させるための多モードアプローチの応用について述べる。
我々は,物理と深層学習に基づく計算画像と次世代検出器ハードウェアの最新動向に続き,現在の最先端技術を拡張する機会について論じる。
関連論文リスト
- Joint PET-MRI Reconstruction with Diffusion Stochastic Differential Model [19.062446884016854]
PETは低信号対雑音比に苦しむ一方、MRIにおけるk空間データ取得プロセスは時間を要する。
PETとMRIの学習継手確率分布に基づく拡散微分方程式による新しい継手再構成モデルを提案する。
論文 参考訳（メタデータ） (2024-08-07T04:01:50Z) - Functional Imaging Constrained Diffusion for Brain PET Synthesis from Structural MRI [5.190302448685122]
新しい制約拡散モデル (CDM) を用いて, 入力条件として2組構造MRIを用いた3次元脳PET画像合成のためのフレームワークを提案する。
FICDはPETにノイズを導入し、CDMで徐々に除去する。
CDMは、各denoized PETと基底真理との間のボクセルワイドアライメントを確保するために、機能的イメージング制約を導入して、denoized PETを予測することを学ぶ。
論文 参考訳（メタデータ） (2024-05-03T22:33:46Z) - Joint Diffusion: Mutual Consistency-Driven Diffusion Model for PET-MRI Co-Reconstruction [19.790873500057355]
この研究は、MRIを加速し、PET画像の品質を向上させることを目的としている。
従来のアプローチでは、PET-MRIシステム内の各モードを別々に再構成する。
相互整合駆動拡散モード(MC-Diffusion)を用いた新しいPET-MRI関節再建モデルを提案する。
論文 参考訳（メタデータ） (2023-11-24T13:26:53Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Score-Based Generative Models for PET Image Reconstruction [38.72868748574543]
本稿では,PETによるスコアベース生成モデルの適応について提案する。
提案するフレームワークは, 2D PET と 3D PET の両方に対して開発された。
また,磁気共鳴画像を用いたガイド再構成の拡張も提供する。
論文 参考訳（メタデータ） (2023-08-27T19:43:43Z) - 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) - Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文 参考訳（メタデータ） (2022-07-26T02:10:15Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Physics-Driven Deep Learning for Computational Magnetic Resonance
Imaging [7.404599356384102]
物理駆動型深層学習法は、MRI(Computer magnetic resonance imaging)問題のための強力なツールとして登場した。
本稿では、物理情報を学習型MRI再構成に組み込んだ最近の進歩の概要について述べる。
論文 参考訳（メタデータ） (2022-03-23T06:04:11Z)
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。