論文の概要: Synthesizing PET images from High-field and Ultra-high-field MR images
Using Joint Diffusion Attention Model
- arxiv url: http://arxiv.org/abs/2305.03901v1
- Date: Sat, 6 May 2023 02:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 18:56:23.983449
- Title: Synthesizing PET images from High-field and Ultra-high-field MR images
Using Joint Diffusion Attention Model
- Title(参考訳): 関節拡散注意モデルを用いた高磁場・超高磁場MR画像からのPET画像の合成
- Authors: Taofeng Xie, Chentao Cao, Zhuoxu Cui, Yu Guo, Caiying Wu, Xuemei Wang,
Qingneng Li, Zhanli Hu, Tao Sun, Ziru Sang, Yihang Zhou, Yanjie Zhu, Dong
Liang, Qiyu Jin, Guoqing Chen, Haifeng Wang
- Abstract要約: PETスキャンはコストが高く、放射性曝露を伴うため、PETが欠如する。
超高磁場イメージングは臨床と学術の両方で有用であることが証明されている。
高速MRIと超高磁場MRIの合成PET法を提案する。
- 参考スコア(独自算出の注目度): 18.67282361664074
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MRI and PET are crucial diagnostic tools for brain diseases, as they provide
complementary information on brain structure and function. However, PET
scanning is costly and involves radioactive exposure, resulting in a lack of
PET. Moreover, simultaneous PET and MRI at ultra-high-field are currently
hardly infeasible. Ultra-high-field imaging has unquestionably proven valuable
in both clinical and academic settings, especially in the field of cognitive
neuroimaging. These motivate us to propose a method for synthetic PET from
high-filed MRI and ultra-high-field MRI. From a statistical perspective, the
joint probability distribution (JPD) is the most direct and fundamental means
of portraying the correlation between PET and MRI. This paper proposes a novel
joint diffusion attention model which has the joint probability distribution
and attention strategy, named JDAM. JDAM has a diffusion process and a sampling
process. The diffusion process involves the gradual diffusion of PET to
Gaussian noise by adding Gaussian noise, while MRI remains fixed. JPD of MRI
and noise-added PET was learned in the diffusion process. The sampling process
is a predictor-corrector. PET images were generated from MRI by JPD of MRI and
noise-added PET. The predictor is a reverse diffusion process and the corrector
is Langevin dynamics. Experimental results on the public Alzheimer's Disease
Neuroimaging Initiative (ADNI) dataset demonstrate that the proposed method
outperforms state-of-the-art CycleGAN for high-field MRI (3T MRI). Finally,
synthetic PET images from the ultra-high-field (5T MRI and 7T MRI) be
attempted, providing a possibility for ultra-high-field PET-MRI imaging.
- Abstract(参考訳): mriとpetは脳疾患の重要な診断ツールであり、脳の構造と機能に関する補完的な情報を提供する。
しかし、PETスキャンは高価であり、放射性曝露を伴うため、PETが欠如している。
また,超高磁場におけるPETとMRIの同時投与は,現在ではほとんど実現不可能である。
超高磁場イメージングは、臨床と学術の両方で、特に認知神経画像学の分野で、間違いなく有益であることが証明されている。
これらのことから,高フィルターMRIと超高磁場MRIの合成PET法を提案する。
統計学的観点から見ると、関節確率分布(JPD)はPETとMRIの相関を示す最も直接的かつ基本的な手段である。
本稿では,JDAMという共同確率分布と注意戦略を有する新しい共同拡散注意モデルを提案する。
JDAMは拡散過程とサンプリング過程を有する。
拡散過程はガウス雑音を付加することによりPETのガウス雑音への段階的な拡散を伴うが、MRIは固定されている。
拡散過程においてMRIとノイズ付加PETのJPDが得られた。
サンプリングプロセスは予測子補正器である。
PET画像はMRIのJSDとノイズ付加PETで生成した。
予測子は逆拡散過程であり、補正子はランゲヴィン力学である。
The public Alzheimer's Disease Neuroimaging Initiative (ADNI) データセットの実験結果は、提案手法が高磁場MRI(3T MRI)に対して最先端のCycleGANより優れていることを示している。
最後に,超高磁場(5T MRIと7T MRI)からのPET画像の合成を試みた。
関連論文リスト
- Unsupervised Generation of Pseudo Normal PET from MRI with Diffusion
Model for Epileptic Focus Localization [31.47772770612585]
FDGポジトロン・エミッション・トモグラフィー(PET)はてんかんの焦点を特定する上で重要なツールである。
FDG PETによる評価と診断の有効性は、健康管理群の選択に依存する。
本研究では, てんかん焦点定位のための偽正常FDG PETを生成するために, 無障害MRIからPET翻訳への教師なし学習法について検討した。
論文 参考訳(メタデータ) (2024-02-02T07:26:56Z) - Predicting Hypoxia in Brain Tumors from Multiparametric MRI [0.06595985097582759]
マルチパラメトリックMRI(Multi-parametric Magnetic Resonance Imaging)を用いた脳腫瘍の低酸素化予測のための新しいアプローチを提案する。
訓練されたモデルはMRIの特徴と対応するFMISO PET信号の複雑な関係を効果的に学習する。
その結果、予測されたFMISO PET信号と実際のFMISO PET信号の相関が強く、PSNRスコアは29.6以上、SSIMスコアは0.94以上であった。
論文 参考訳(メタデータ) (2024-01-25T13:28:53Z) - 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - 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) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks [10.095428964324874]
放射線標識水(15O-water)を用いたPET(Positron emission tomography)はヒトの脳血流測定における金標準であると考えられている。
PETイメージングは、その禁止コストと、通常現場でのサイクロトロン生産を必要とする短命な放射性医薬品トレーサの使用により、広く利用できない。
本研究では,マルチシーケンスMRIスキャンから金標準の15O-PET CBFを予測するためのアテンション機構を備えた畳み込みエンコーダデコーダネットワークを提案する。
論文 参考訳(メタデータ) (2022-11-22T08:25:44Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - FREA-Unet: Frequency-aware U-net for Modality Transfer [9.084926957557842]
MRIデータから合成PET画像を生成するための新しい周波数認識型注意Uネットを提案する。
Unetは低周波層や高周波層における特徴写像の注意点を計算し、それをモデルがより重要な領域に集中するのに役立てます。
論文 参考訳(メタデータ) (2020-12-31T01:58:44Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。