論文の概要: PET Tracer Conversion among Brain PET via Variable Augmented Invertible
Network
- arxiv url: http://arxiv.org/abs/2311.00735v2
- Date: Wed, 15 Nov 2023 07:28:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 19:07:53.255948
- Title: PET Tracer Conversion among Brain PET via Variable Augmented Invertible
Network
- Title（参考訳）: 可変拡張可逆ネットワークによる脳PETのPETトレーサー変換
- Authors: Bohui Shen, Wei Zhang, Xubiao Liu, Pengfei Yu, Shirui Jiang, Xinchong
Shi, Xiangsong Zhang, Xiaoyu Zhou, Weirui Zhang, Bingxuan Li, Qiegen Liu
- Abstract要約: 画像投影のためのトレーサ変換可逆ニューラルネットワーク(TC-INN)を開発し,FDG画像を深層学習によりDOPA画像にマッピングする。
実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
- 参考スコア（独自算出の注目度）: 8.895830601854534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Positron emission tomography (PET) serves as an essential tool for diagnosis
of encephalopathy and brain science research. However, it suffers from the
limited choice of tracers. Nowadays, with the wide application of PET imaging
in neuropsychiatric treatment, 6-18F-fluoro-3, 4-dihydroxy-L-phenylalanine
(DOPA) has been found to be more effective than 18F-labeled
fluorine-2-deoxyglucose (FDG) in the field. Nevertheless, due to the complexity
of its preparation and other limitations, DOPA is far less widely used than
FDG. To address this issue, a tracer conversion invertible neural network
(TC-INN) for image projection is developed to map FDG images to DOPA images
through deep learning. More diagnostic information is obtained by generating
PET images from FDG to DOPA. Specifically, the proposed TC-INN consists of two
separate phases, one for training traceable data, the other for rebuilding new
data. The reference DOPA PET image is used as a learning target for the
corresponding network during the training process of tracer conversion.
Meanwhile, the invertible network iteratively estimates the resultant DOPA PET
data and compares it to the reference DOPA PET data. Notably, the reversible
model employs variable enhancement technique to achieve better power
generation. Moreover, image registration needs to be performed before training
due to the angular deviation of the acquired FDG and DOPA data information.
Experimental results exhibited excellent generation capability in mapping
between FDG and DOPA, suggesting that PET tracer conversion has great potential
in the case of limited tracer applications.
- Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)は脳症や脳科学研究の診断に欠かせない道具である。
しかし、トレーサの限定的な選択に苦しむ。
近年, PET画像の神経精神医学的治療への応用により, 6-18F-fluoro-3, 4-dihydroxy-L-phenylalanine (DOPA) はFDG (18F-labeled fluorine-2-deoxyglucose) よりも有効であることが判明している。
しかしながら、その準備の複雑さやその他の制限のため、DOPAはFDGよりもはるかに広く使われていない。
この問題に対処するために,画像投影のためのトレーサ変換インバータブルニューラルネットワーク(tc-inn)を開発し,fdg画像をディープラーニングによりdopa画像にマッピングする。
FDGからDOPAにPET画像を生成することにより、さらなる診断情報を得る。
具体的には、tc-innはトレーサブルデータのトレーニングと新しいデータの再構築の2つのフェーズで構成されている。
参照DOPAPET画像は、トレーサ変換のトレーニング過程において、対応するネットワークの学習ターゲットとして使用される。
一方、可逆ネットワークは、結果のDOPAPETデータを反復的に推定し、基準のDOPAPETデータと比較する。
特に、可逆モデルは、より良い発電を実現するために可変拡張技術を用いる。
さらに、取得したFDGとDOPAデータ情報の角偏差による訓練前に画像登録を行う必要がある。
実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
関連論文リスト
- Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳（メタデータ） (2024-09-11T11:12:26Z) - Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction [7.320877150436869]
低線量PET画像の再構成品質を高めるために,JCP(Joint compact prior)により導かれる拡散変圧器モデルを提案する。
DTMは拡散モデルの強力な分布マッピング能力と変圧器の容量を組み合わせて長距離依存を捉える。
本手法は放射線曝露リスクを軽減するだけでなく,早期診断や患者管理のためのPETイメージングツールも提供する。
論文 参考訳（メタデータ） (2024-07-01T03:54:43Z) - Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness [43.45142393436787]
線量レベルの認識が可能な新しい二相多段PET再構成アルゴリズムを設計する。
事前学習フェーズは、きめ細かい識別特徴と効果的な意味表現の両方を探索するために考案された。
SPET予測フェーズは、事前学習した線量レベルを利用した粗い予測ネットワークを採用して予備結果を生成する。
論文 参考訳（メタデータ） (2024-04-02T01:57:08Z) - 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) - Synthetic CT Generation via Variant Invertible Network for All-digital
Brain PET Attenuation Correction [11.402215536210337]
減衰補正(AC)は, アーティファクトフリーで定量精度の高いポジトロン放射トモグラフィ(PET)画像の生成に不可欠である。
本稿では,脳PET画像における非減衰補正PET画像から,深層学習を用いて連続的に評価されたCT画像を生成するPET AC法を開発した。
論文 参考訳（メタデータ） (2023-10-03T08:38:52Z) - 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) - TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction
from Low-Dose Sinograms [45.24575167909925]
TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。
最先端の手法を質的に、定量的に上回る。
GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
論文 参考訳（メタデータ） (2023-08-10T06:20:00Z) - 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) - A resource-efficient deep learning framework for low-dose brain PET
image reconstruction and analysis [13.713286047709982]
本稿では,L-PET再構成と解析のための資源効率の高いディープラーニングフレームワーク,TransGAN-SDAMを提案する。
トランスGANは高品質なF-PET画像を生成し、SDAMは生成されたF-PETスライス列の空間情報を統合して全脳F-PET画像を生成する。
論文 参考訳（メタデータ） (2022-02-14T08:40:19Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z)
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。