論文の概要: Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image
Denoising
- arxiv url: http://arxiv.org/abs/2302.13546v1
- Date: Mon, 27 Feb 2023 06:55:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 16:31:59.786803
- Title: Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image
Denoising
- Title(参考訳): 深部画像を用いたロバストPET画像の自己監督による事前評価
- Authors: Yuya Onishi, Fumio Hashimoto, Kibo Ote, Keisuke Matsubara, Masanobu
Ibaraki
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5999777817331317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep image prior (DIP) has been successfully applied to positron emission
tomography (PET) image restoration, enabling represent implicit prior using
only convolutional neural network architecture without training dataset,
whereas the general supervised approach requires massive low- and high-quality
PET image pairs. To answer the increased need for PET imaging with DIP, it is
indispensable to improve the performance of the underlying DIP itself. Here, we
propose a self-supervised pre-training model to improve the DIP-based PET image
denoising performance. Our proposed pre-training model acquires transferable
and generalizable visual representations from only unlabeled PET images by
restoring various degraded PET images in a self-supervised approach. We
evaluated the proposed method using clinical brain PET data with various
radioactive tracers ($^{18}$F-florbetapir, $^{11}$C-Pittsburgh compound-B,
$^{18}$F-fluoro-2-deoxy-D-glucose, and $^{15}$O-CO$_{2}$) acquired from
different PET scanners. The proposed method using the self-supervised
pre-training model achieved robust and state-of-the-art denoising performance
while retaining spatial details and quantification accuracy compared to other
unsupervised methods and pre-training model. These results highlight the
potential that the proposed method is particularly effective against rare
diseases and probes and helps reduce the scan time or the radiotracer dose
without affecting the patients.
- Abstract(参考訳): 深層画像前処理(DIP)はポジトロンエミッショントモグラフィ(PET)画像の復元に成功しており、データセットを訓練することなく畳み込みニューラルネットワークアーキテクチャのみを用いて暗黙の事前表現を可能にしている。
DIPによるPETイメージングの必要性の高まりに対処するためには、基礎となるDIP自体の性能を改善することが不可欠である。
本稿では,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。
提案する事前学習モデルでは, PET画像のみから, 移動可能かつ一般化可能な視覚表現を, 自己監督的アプローチで復元することで取得する。
我々は, 各種放射性トレーサーを用いた臨床脳PETデータ(^{18}$F-florbetapir, $^{11}$C-Pittsburgh compound-B, $^{18}$F-fluoro-2-deoxy-D-glucose, $^{15}$O-CO$$$$$)による評価を行った。
自己教師付き事前学習モデルを用いた提案手法は,他の教師なし手法や事前学習モデルと比較して,空間的詳細と定量化精度を維持しつつ,ロバストかつ最先端の弁別性能を達成している。
これらの結果から,本手法は稀な疾患やプローブに対して特に有効であり,患者に影響を与えずにスキャン時間やラジオトレーサー線量を減らすことができる可能性が示唆された。
関連論文リスト
- Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - PET Synthesis via Self-supervised Adaptive Residual Estimation
Generative Adversarial Network [14.381830012670969]
近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。
これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。
SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
論文 参考訳(メタデータ) (2023-10-24T06:43:56Z) - 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) - CG-3DSRGAN: A classification guided 3D generative adversarial network
for image quality recovery from low-dose PET images [10.994223928445589]
PET画像では, トレーサー線量による高放射能が主な関心事である。
投与量を減少させると、画像の質が不十分になる。
CNNを用いた低線量PET合成法が開発されている。
論文 参考訳(メタデータ) (2023-04-03T05:39:02Z) - Fully 3D Implementation of the End-to-end Deep Image Prior-based PET
Image Reconstruction Using Block Iterative Algorithm [0.0]
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。
論文 参考訳(メタデータ) (2022-12-22T16:25:58Z) - 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) - Anatomical-Guided Attention Enhances Unsupervised PET Image Denoising
Performance [0.0]
解剖学的情報誘導型注意機構に基づく教師なし3次元PET画像復調手法を提案する。
MR-GDD(MR-GDD)はMR-Guidance画像の空間的詳細と意味的特徴をより効果的に活用する。
論文 参考訳(メタデータ) (2021-09-02T09:27:07Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。