論文の概要: Fully 3D Implementation of the End-to-end Deep Image Prior-based PET
Image Reconstruction Using Block Iterative Algorithm
- arxiv url: http://arxiv.org/abs/2212.11844v1
- Date: Thu, 22 Dec 2022 16:25:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:28:18.063074
- Title: Fully 3D Implementation of the End-to-end Deep Image Prior-based PET
Image Reconstruction Using Block Iterative Algorithm
- Title（参考訳）: ブロック反復アルゴリズムを用いた end-to-end deep image prior-based pet image reconstruction の完全3次元実装
- Authors: Fumio Hashimoto, Yuya Onishi, Kibo Ote, Hideaki Tashima, Taiga Yamaya
- Abstract要約: 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。
- 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: Deep image prior (DIP) has recently attracted attention owing to its
unsupervised positron emission tomography (PET) image reconstruction, which
does not require any prior training dataset. In this paper, we present the
first attempt to implement an end-to-end DIP-based fully 3D PET image
reconstruction method that incorporates a forward-projection model into a loss
function. To implement a practical fully 3D PET image reconstruction, which
could not be performed due to a graphics processing unit memory limitation, we
modify the DIP optimization to block-iteration and sequentially learn an
ordered sequence of block sinograms. Furthermore, the relative difference
penalty (RDP) term was added to the loss function to enhance the quantitative
PET image accuracy. We evaluated our proposed method using Monte Carlo
simulation with [$^{18}$F]FDG PET data of a human brain and a preclinical study
on monkey brain [$^{18}$F]FDG PET data. The proposed method was compared with
the maximum-likelihood expectation maximization (EM), maximum-a-posterior EM
with RDP, and hybrid DIP-based PET reconstruction methods. The simulation
results showed that the proposed method improved the PET image quality by
reducing statistical noise and preserved a contrast of brain structures and
inserted tumor compared with other algorithms. In the preclinical experiment,
finer structures and better contrast recovery were obtained by the proposed
method. This indicated that the proposed method can produce high-quality images
without a prior training dataset. Thus, the proposed method is a key enabling
technology for the straightforward and practical implementation of end-to-end
DIP-based fully 3D PET image reconstruction.
- Abstract（参考訳）: 深部画像先行(DIP)は、これまでトレーニングデータセットを必要としなかったPET画像再構成により、最近注目を集めている。
本稿では、前方投影モデルを損失関数に組み込んだ、エンドツーエンドのDIPベースの完全3次元PET画像再構成手法を初めて実装する。
グラフィック処理単位のメモリ制限のため実行できない実用的な3次元PET画像再構成を実現するために,ブロックイテレーションにDIP最適化を改良し,ブロックシングラムの順序列を逐次学習する。
さらに,損失関数に相対差ペナルティ(RDP)という用語を加え,定量PET画像の精度を高めた。
提案手法は,ヒト脳の[$^{18}$f]fdg petデータを用いたモンテカルロシミュレーションとサル脳[$^{18}$f]fdg petデータに関する前臨床研究を用いて評価した。
提案手法は, 最大線量予測最大化(EM), RDPを用いた最大線量EM, ハイブリッドDIPを用いたPET再構成法と比較した。
シミュレーションの結果, 統計的ノイズを低減し, 脳構造と挿入腫瘍のコントラストを他のアルゴリズムと比較して保存し, pet画像の画質を改善した。
前臨床実験では,提案手法によりより微細な構造とより良いコントラスト回復が得られた。
提案手法は,事前トレーニングデータセットを使わずに高品質な画像を生成することができることを示す。
提案手法は, エンドツーエンドDIPベースの完全3次元PET画像再構成の簡易かつ実用的な実装を実現するための鍵となる技術である。
関連論文リスト
- Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction [40.34650079545031]
提案手法は, 再現を加速し, 臨界ハイパーパラメータの数を減少させる3次元再構成の実践的手法である。
本手法は既存のSGMによるPET再構成のNAMSEとSSIMに適合または改善可能であることを示す。
実3次元PETデータ、具体的には[18$F]DPA-714データに対するSGMベースの再構成の実装を初めて紹介する。
論文 参考訳（メタデータ） (2024-12-05T16:58:45Z) - Multi-Subject Image Synthesis as a Generative Prior for Single-Subject PET Image Reconstruction [40.34650079545031]
信号対雑音比を改良した多彩でリアルな擬似PET画像の合成法を提案する。
単目的PET画像再構成において, 擬似PET画像が生成前駆体としてどのように利用されるかを示す。
論文 参考訳（メタデータ） (2024-12-05T16:40:33Z) - 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) - 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) - 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) - Adversarial Parametric Pose Prior [106.12437086990853]
我々は、SMPLパラメータを現実的なポーズを生成する値に制限する事前学習を行う。
得られた先行学習は実データ分布の多様性をカバーし、2次元キーポイントからの3次元再構成の最適化を容易にし、画像からの回帰に使用する場合のポーズ推定精度を向上することを示す。
論文 参考訳（メタデータ） (2021-12-08T10:05:32Z) - 3D Human Texture Estimation from a Single Image with Transformers [106.6320286821364]
単一画像からの3次元人間のテクスチャ推定のためのトランスフォーマーベースのフレームワークを提案する。
また,RGBモデルとテクスチャフローモデルを組み合わせたマスク融合方式を提案する。
論文 参考訳（メタデータ） (2021-09-06T16:00:20Z) - 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) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Tattoo tomography: Freehand 3D photoacoustic image reconstruction with
an optical pattern [49.240017254888336]
光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。
現在の欠点は、従来の2Dプローブによって提供される視野の制限である。
本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
論文 参考訳（メタデータ） (2020-11-10T09:27:56Z)
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。