論文の概要: LMPDNet: TOF-PET list-mode image reconstruction using model-based deep learning method

• arxiv url: http://arxiv.org/abs/2302.10481v1
• Date: Tue, 21 Feb 2023 07:07:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 16:06:23.425522
• Title: LMPDNet: TOF-PET list-mode image reconstruction using model-based deep learning method
• Title（参考訳）: LMPDNet:モデルベースディープラーニングを用いたTOF-PETリストモード画像再構成
• Authors: Chenxu Li, Rui Hu, Jianan Cui, Huafeng Liu
• Abstract要約: リストモードデータからのTOF-PET再構成のための新しいモデルベース深層学習手法LMPDNetを提案する。 実験の結果,提案するLMPDNetは従来のTOF-PETリストモード再構成アルゴリズムよりも優れていた。
• 参考スコア（独自算出の注目度）: 17.35248769956761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Time-of-Flight (TOF) information in the reconstruction process of Positron Emission Tomography (PET) yields improved image properties. However, implementing the cutting-edge model-based deep learning methods for TOF-PET reconstruction is challenging due to the substantial memory requirements. In this study, we present a novel model-based deep learning approach, LMPDNet, for TOF-PET reconstruction from list-mode data. We address the issue of real-time parallel computation of the projection matrix for list-mode data, and propose an iterative model-based module that utilizes a dedicated network model for list-mode data. Our experimental results indicate that the proposed LMPDNet outperforms traditional iteration-based TOF-PET list-mode reconstruction algorithms. Additionally, we compare the spatial and temporal consumption of list-mode data and sinogram data in model-based deep learning methods, demonstrating the superiority of list-mode data in model-based TOF-PET reconstruction.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)の再構成過程における光時間(TOF)情報の統合は、画像特性の向上をもたらす。 しかし,TOF-PET再構成のための最先端モデルに基づくディープラーニング手法の実装は,メモリ要求が大きいため困難である。 本研究では,TOF-PET再構成のための新しいモデルベース深層学習手法LMPDNetを提案する。 本稿では、リストモードデータに対するプロジェクション行列のリアルタイム並列計算の問題に対処し、リストモードデータに専用ネットワークモデルを利用する反復モデルベースモジュールを提案する。 実験の結果,提案するLMPDNetは従来の反復型TOF-PETリストモード再構成アルゴリズムよりも優れていた。 さらに,モデルベース深層学習法におけるリストモードデータとシングラムデータの空間的・時間的消費を比較し,モデルベースTOF-PET再構成におけるリストモードデータの優位性を示す。

関連論文リスト

• Deep unrolled primal dual network for TOF-PET list-mode image reconstruction [8.288813766151279]
  飛行時間情報(TOF)は、消滅光子の正確な位置データを提供する。 深層学習アルゴリズムはPET画像再構成において有望な結果を示した。 本研究では,TOFPETリストモード再構築のためのディープアンロール型デュアルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T00:17:47Z)
• Data Diet: Can Trimming PET/CT Datasets Enhance Lesion Segmentation? [70.38903555729081]
  我々はAutoPET3データ中心のトラックで競合するアプローチについて述べる。 AutoPETIIIデータセットでは、データセット全体をトレーニングしたモデルが望ましくない特性を示す。 我々は、スクラッチから再トレーニングする前に、モデル損失によって測定されたトレーニングデータセットから最も簡単なサンプルを取り除き、これを対処する。
  論文  参考訳（メタデータ） (2024-09-20T14:47:58Z)
• LLM-Augmented Retrieval: Enhancing Retrieval Models Through Language Models and Doc-Level Embedding [2.0257616108612373]
  本稿では,大規模言語モデル拡張によるモデルに依存しないドキュメントレベルの埋め込みフレームワークを提案する。 我々は広く利用されている検索モデルの有効性を大幅に改善することができた。
  論文  参考訳（メタデータ） (2024-04-08T19:29:07Z)
• An Efficient Data Analysis Method for Big Data using Multiple-Model Linear Regression [4.085654010023149]
  本稿では,Multiple Model linear regression (MMLR) と呼ばれる新たに定義された回帰モデルを用いて,ビッグデータの新しいデータ解析手法を提案する。 提案手法は,他の回帰法よりも効率的かつ柔軟であることが示されている。
  論文  参考訳（メタデータ） (2023-08-24T10:20:15Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• List-Mode PET Image Reconstruction Using Deep Image Prior [3.6427817678422016]
  PET(List-mode positron emission tomography)画像再構成はPETスキャナーにとって重要なツールである。 深層学習はPET画像再構成の品質を高める1つの方法である。 本研究では,Deep image priorと呼ばれる教師なしCNNを用いた新しいPET画像再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T10:44:33Z)
• Coarse-to-fine Animal Pose and Shape Estimation [67.39635503744395]
  単一画像から3次元動物メッシュを再構成する粗大なアプローチを提案する。 粗い推定段階はまずSMALモデルのポーズ、形状、翻訳パラメータを推定する。 次に、推定メッシュをグラフ畳み込みネットワーク(GCN)によって開始点として使用し、精製段階における頂点毎の変形を予測する。
  論文  参考訳（メタデータ） (2021-11-16T01:27:20Z)
• 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)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Data from Model: Extracting Data from Non-robust and Robust Models [83.60161052867534]
  この研究は、データとモデルの関係を明らかにするために、モデルからデータを生成する逆プロセスについて検討する。 本稿では,データ・トゥ・モデル(DtM)とデータ・トゥ・モデル(DfM)を連続的に処理し,特徴マッピング情報の喪失について検討する。 以上の結果から,DtMとDfMの複数シーケンスの後にも,特にロバストモデルにおいて精度低下が制限されることが示唆された。
  論文  参考訳（メタデータ） (2020-07-13T05:27:48Z)

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。