論文の概要: Self-Supervised Learning for Physiologically-Based Pharmacokinetic
Modeling in Dynamic PET
- arxiv url: http://arxiv.org/abs/2305.10569v1
- Date: Wed, 17 May 2023 21:08:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 17:57:59.813244
- Title: Self-Supervised Learning for Physiologically-Based Pharmacokinetic
Modeling in Dynamic PET
- Title(参考訳): 動的PETにおける生理的薬物動態モデリングのための自己教師付き学習
- Authors: Francesca De Benetti, Walter Simson, Magdalini Paschali, Hasan Sari,
Axel Romiger, Kuangyu Shi, Nassir Navab and Thomas Wendler
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 36.28565007063204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic positron emission tomography imaging (dPET) provides temporally
resolved images of a tracer enabling a quantitative measure of physiological
processes. Voxel-wise physiologically-based pharmacokinetic (PBPK) modeling of
the time activity curves (TAC) can provide relevant diagnostic information for
clinical workflow. Conventional fitting strategies for TACs are slow and ignore
the spatial relation between neighboring voxels. We train a spatio-temporal
UNet to estimate the kinetic parameters given TAC from F-18-fluorodeoxyglucose
(FDG) dPET. This work introduces a self-supervised loss formulation to enforce
the similarity between the measured TAC and those generated with the learned
kinetic parameters. Our method provides quantitatively comparable results at
organ-level to the significantly slower conventional approaches, while
generating pixel-wise parametric images which are consistent with expected
physiology. To the best of our knowledge, this is the first self-supervised
network that allows voxel-wise computation of kinetic parameters consistent
with a non-linear kinetic model. The code will become publicly available upon
acceptance.
- Abstract(参考訳): ダイナミックポジトロン放射トモグラフィー(dPET)は、生理過程の定量的測定を可能にするトレーサーの時間分解画像を提供する。
Voxel-wise physiologically-based pharmacokinetic (PBPK) model of the time activity curves (TAC)は、臨床ワークフローに関連のある診断情報を提供する。
従来のTACのフィッティング戦略は遅く、隣接するボクセル間の空間的関係を無視する。
F-18-フルオロデオキシグルコース(FDG)dPETからTACの運動パラメータを推定するために、時空間UNetを訓練する。
この研究は、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損失定式化を導入する。
本手法は,期待する生理学と一致した画素方向のパラメトリック画像を生成すると同時に,従来の手法に比べて臓器レベルでの定量的比較結果を提供する。
我々の知る限りでは、これは非線形運動モデルと整合した運動パラメータのボクセルワイズ計算を可能にする最初の自己教師付きネットワークである。
コードは受理次第公開される予定だ。
関連論文リスト
- Auto-weighted Bayesian Physics-Informed Neural Networks and robust
estimations for multitask inverse problems in pore-scale imaging of
dissolution [0.0]
細孔画像における新しいデータ同化戦略を提案する。
これにより、不確実性量子化を取り入れた反応性逆問題に頑健に対処できることを実証する。
論文 参考訳(メタデータ) (2023-08-24T15:39:01Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳(メタデータ) (2023-08-16T14:57:12Z) - Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from
Dynamic Contrast-Enhanced MRI [37.358265461543716]
薬物動態パラメータとAIFの両方を推定する新しい未経験深層学習法を提案する。
提案するCycleGANフレームワークは、基礎となる物理モデルに基づいて設計されており、単一のジェネレータと識別器ペアによるよりシンプルなアーキテクチャを実現する。
実験の結果,AIF測定を別途必要とせず,他の方法よりも信頼性の高い薬物動態パラメータが得られた。
論文 参考訳(メタデータ) (2023-06-07T11:10:10Z) - Improving the Timing Resolution of Positron Emission Tomography
Detectors Using Boosted Learning -- A Residual Physics Approach [0.4999814847776097]
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。
論文 参考訳(メタデータ) (2023-02-03T12:10:24Z) - A kinetic approach to consensus-based segmentation of biomedical images [58.720142291102135]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - 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) - Direct Reconstruction of Linear Parametric Images from Dynamic PET Using
Nonlocal Deep Image Prior [13.747210115485487]
PETシングラムからパラメトリック画像を直接推定する直接再構成法が開発されている。
受信回数が限られているため、信号対雑音比(SNR)と直接再構成フレームワークによって生成されたパラメトリック画像の解像度は依然として限られている。
近年,多数の高品質なトレーニングラベルが利用可能である場合に,医用画像復調・復調に教師付き深層学習法がうまく応用されている。
論文 参考訳(メタデータ) (2021-06-18T21:30:22Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z)
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。