論文の概要: Improving the Timing Resolution of Positron Emission Tomography
Detectors Using Boosted Learning -- A Residual Physics Approach
- arxiv url: http://arxiv.org/abs/2302.01681v2
- Date: Thu, 26 Oct 2023 07:25:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 05:30:28.885308
- Title: Improving the Timing Resolution of Positron Emission Tomography
Detectors Using Boosted Learning -- A Residual Physics Approach
- Title（参考訳）: boosted learning を用いたポジトロントモグラフィ検出器のタイミング分解能向上 -残留物理学的アプローチ-
- Authors: Stephan Naunheim, Yannick Kuhl, David Schug, Volkmar Schulz, Florian
Mueller
- Abstract要約: 本研究は,機械学習(ML)と残差物理を用いた検出器最適化の新しい多用途手法を提案する。
ポジトロン・エミッション・トモグラフィー (PET) の概念を適用し, 一致時間分解能(CTR)の向上を目的とした。
臨床的に有意な19mmの検出器ではCTRを有意に改善し(20%以上)、185 ps (450-550 keV) のCTRに到達した。
- 参考スコア（独自算出の注目度）: 0.4999814847776097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) is entering medical imaging, mainly enhancing
image reconstruction. Nevertheless, improvements throughout the entire
processing, from signal detection to computation, potentially offer significant
benefits. This work presents a novel and versatile approach to detector
optimization using machine learning (ML) and residual physics. We apply the
concept to positron emission tomography (PET), intending to improve the
coincidence time resolution (CTR). PET visualizes metabolic processes in the
body by detecting photons with scintillation detectors. Improved CTR
performance offers the advantage of reducing radioactive dose exposure for
patients. Modern PET detectors with sophisticated concepts and read-out
topologies represent complex physical and electronic systems requiring
dedicated calibration techniques. Traditional methods primarily depend on
analytical formulations successfully describing the main detector
characteristics. However, when accounting for higher-order effects, additional
complexities arise matching theoretical models to experimental reality. Our
work addresses this challenge by combining traditional calibration with AI and
residual physics, presenting a highly promising approach. We present a residual
physics-based strategy using gradient tree boosting and physics-guided data
generation. The explainable AI framework SHapley Additive exPlanations (SHAP)
was used to identify known physical effects with learned patterns. In addition,
the models were tested against basic physical laws. We were able to improve the
CTR significantly (more than 20%) for clinically relevant detectors of 19 mm
height, reaching CTRs of 185 ps (450-550 keV).
- Abstract（参考訳）: 人工知能(AI)は、主に画像再構成を強化する医療画像の分野に参入している。
それでも、信号検出から計算まで、処理全体の改善は、大きなメリットをもたらす可能性がある。
本稿では,機械学習(ml)と残留物理学を用いた検出器最適化手法を提案する。
この概念をPET (positron emission tomography) に適用し, 一致時間分解能(CTR)の向上を目的とした。
PETはシンチレーション検出器で光子を検出することで体内の代謝過程を可視化する。
改善されたCTR性能は、患者に対する放射線被曝を減らす利点を提供する。
洗練された概念と読み出しトポロジーを持つ現代のPET検出器は、専用の校正技術を必要とする複雑な物理的および電子的システムを表す。
従来の手法は主に分析的な定式化に依存し、主検出器の特性をうまく記述した。
しかし、高次効果を考慮すると、追加の複雑さが実験現実と一致する理論モデルを引き起こす。
私たちの研究は、従来のキャリブレーションとAIと残留物理学を組み合わせることで、この課題に対処しています。
本稿では,グラデーションツリーブースティングと物理誘導データ生成を用いた残留物理ベースの戦略を提案する。
説明可能なAIフレームワークSHAP(SHapley Additive ExPlanations)は、学習パターンによる既知の物理的影響を特定するために使用された。
さらに、モデルは基本的な物理法則に対してテストされた。
臨床的に有意な19mmの検出器ではCTRを有意に改善し(20%以上)、185 ps (450-550 keV) のCTRに到達した。
関連論文リスト
- An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging
for High Precision COVID-19 Diagnostics [0.0]
決定支援システムは、画像の物理的検査に固有の課題を緩和する。
ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。
本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
論文 参考訳（メタデータ） (2023-05-30T13:14:03Z) - Self-Supervised Learning for Physiologically-Based Pharmacokinetic
Modeling in Dynamic PET [36.28565007063204]
Voxel-wise physiologically based of the Time Activity curves (TAC) は、臨床ワークフローに関連性のある診断情報を提供することができる。
本研究は、測定されたTACと学習された運動パラメータで生成されたものとの類似性を強制する自己教師付きPET損失定式化を導入する。
我々の知る限りでは、これは非線形の運動モデルと整合した運動パラメータのエルボックスワイズ計算を可能にする最初の自己教師ネットワークである。
論文 参考訳（メタデータ） (2023-05-17T21:08:02Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - 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) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Using Machine Learning to Speed Up and Improve Calorimeter R&D [0.7106986689736827]
物理性能の評価を遅くする2つの典型的な問題は、特にカロリー検出器技術や構成に対するアプローチである。
本稿では,検出器開発および最適化サイクルの精度向上と高速化を目的とした,高度な機械学習技術の利用について論じる。
論文 参考訳（メタデータ） (2020-03-27T14:44:46Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳（メタデータ） (2020-03-09T13:39:12Z)
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。