論文の概要: Estimating Uncertainty in PET Image Reconstruction via Deep Posterior Sampling

• arxiv url: http://arxiv.org/abs/2306.04664v1
• Date: Wed, 7 Jun 2023 10:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 18:24:28.731034
• Title: Estimating Uncertainty in PET Image Reconstruction via Deep Posterior Sampling
• Title（参考訳）: PET画像再構成における深部後方サンプリングによる不確かさの推定
• Authors: Tin Vla\v{s}i\'c, Tomislav Matuli\'c and Damir Ser\v{s}i\'c
• Abstract要約: PET画像の再構成手法の大半は、反復的および深層学習であり、関連する不確実性を定量化せずに単一の推定値を返す。 本稿では,後部サンプリングによるPET画像再構成における不確実性に対する深層学習に基づく手法を提案する。 提案モデルでは,高品質な後続サンプルを生成し,物理的に有意な不確かさを推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Positron emission tomography (PET) is an important functional medical imaging technique often used in the evaluation of certain brain disorders, whose reconstruction problem is ill-posed. The vast majority of reconstruction methods in PET imaging, both iterative and deep learning, return a single estimate without quantifying the associated uncertainty. Due to ill-posedness and noise, a single solution can be misleading or inaccurate. Thus, providing a measure of uncertainty in PET image reconstruction can help medical practitioners in making critical decisions. This paper proposes a deep learning-based method for uncertainty quantification in PET image reconstruction via posterior sampling. The method is based on training a conditional generative adversarial network whose generator approximates sampling from the posterior in Bayesian inversion. The generator is conditioned on reconstruction from a low-dose PET scan obtained by a conventional reconstruction method and a high-quality magnetic resonance image and learned to estimate a corresponding standard-dose PET scan reconstruction. We show that the proposed model generates high-quality posterior samples and yields physically-meaningful uncertainty estimates.
• Abstract（参考訳）: PET(ポジトロン・エミッション・トモグラフィ)は、特定の脳疾患の評価においてしばしば用いられる重要な機能的医用画像撮影技術である。 PET画像の再構成手法の大半は、反復的および深層学習であり、関連する不確実性を定量化せずに単一の推定値を返す。 不適切さとノイズのため、単一の解は誤解を招くか不正確である。 したがって、PET画像再構成における不確実性の尺度を提供することは、医療従事者が重要な決定を下すのに役立つ。 本稿では,PET画像再構成における深層学習に基づく不確実性定量化手法を提案する。 本手法は,ベイズ逆転の後方からのサンプリングを推定する条件付き生成逆数ネットワークを訓練することに基づく。 従来の再構成法と高画質の磁気共鳴画像から得られた低線量PETスキャンからの再構成を条件とし、対応する標準線量PETスキャンの再構成を推定する。 提案モデルでは,高品質な後続サンプルを生成し,物理的に有意な不確かさを推定する。

関連論文リスト

• Image2Points:A 3D Point-based Context Clusters GAN for High-Quality PET Image Reconstruction [47.398304117228584]
  LPETから高品質なSPET画像を再構成する3DポイントベースのコンテキストクラスタGAN(PCC-GAN)を提案する。 臨床とファントムの両方の実験により、PCC-GANは最先端の再建方法よりも優れています。
  論文  参考訳（メタデータ） (2024-02-01T06:47:56Z)
• 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)
• Score-Based Generative Models for PET Image Reconstruction [38.72868748574543]
  本稿では,PETによるスコアベース生成モデルの適応について提案する。 提案するフレームワークは, 2D PET と 3D PET の両方に対して開発された。 また,磁気共鳴画像を用いたガイド再構成の拡張も提供する。
  論文  参考訳（メタデータ） (2023-08-27T19:43:43Z)
• 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)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  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。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)
• 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)
• 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)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• 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)

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。