Fugu-MT 論文翻訳(概要): Unsupervised Generation of Pseudo Normal PET from MRI with Diffusion Model for Epileptic Focus Localization

論文の概要: Unsupervised Generation of Pseudo Normal PET from MRI with Diffusion Model for Epileptic Focus Localization

arxiv url: http://arxiv.org/abs/2402.01191v1
Date: Fri, 2 Feb 2024 07:26:56 GMT
ステータス: 処理完了
システム内更新日: 2024-02-05 16:25:37.023666
Title: Unsupervised Generation of Pseudo Normal PET from MRI with Diffusion Model for Epileptic Focus Localization
Title（参考訳）: てんかん性焦点定位のための拡散モデルを用いたMRIからの偽正常PETの無監督生成
Authors: Wentao Chen, Jiwei Li, Xichen Xu, Hui Huang, Siyu Yuan, Miao Zhang, Tianming Xu, Jie Luo, Weimin Zhou
Abstract要約: 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。
参考スコア（独自算出の注目度）: 31.47772770612585
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: [$^{18}$F]fluorodeoxyglucose (FDG) positron emission tomography (PET) has emerged as a crucial tool in identifying the epileptic focus, especially in cases where magnetic resonance imaging (MRI) diagnosis yields indeterminate results. FDG PET can provide the metabolic information of glucose and help identify abnormal areas that are not easily found through MRI. However, the effectiveness of FDG PET-based assessment and diagnosis depends on the selection of a healthy control group. The healthy control group typically consists of healthy individuals similar to epilepsy patients in terms of age, gender, and other aspects for providing normal FDG PET data, which will be used as a reference for enhancing the accuracy and reliability of the epilepsy diagnosis. However, significant challenges arise when a healthy PET control group is unattainable. Yaakub \emph{et al.} have previously introduced a Pix2PixGAN-based method for MRI to PET translation. This method used paired MRI and FDG PET scans from healthy individuals for training, and produced pseudo normal FDG PET images from patient MRIs that are subsequently used for lesion detection. However, this approach requires a large amount of high-quality, paired MRI and PET images from healthy control subjects, which may not always be available. In this study, we investigated unsupervised learning methods for unpaired MRI to PET translation for generating pseudo normal FDG PET for epileptic focus localization. Two deep learning methods, CycleGAN and SynDiff, were employed, and we found that diffusion-based method achieved improved performance in accurately localizing the epileptic focus.
Abstract（参考訳）: 磁気共鳴画像(MRI)の診断が不確定な結果をもたらす場合において,[$^{18}$F]フルオロデオキシグルコース(FDG)ポジトロン断層撮影(PET)はてんかんの焦点を特定する重要なツールとして出現している。 FDG PETはグルコースの代謝情報を提供し、MRIで見つからない異常な領域を特定するのに役立つ。しかし, FDG PETによる評価と診断の有効性は, 健常群の選択に依存する。健康管理群は典型的には、年齢、性別、その他の面でててんかん患者に似た健康な個人から成り、正常なFDG PETデータを提供し、てんかん診断の正確性と信頼性を高める基準として使用される。しかし、健康なPETコントロールグループが達成不可能な場合、重大な課題が生じる。 Yaakub \emph{et al. Pix2PixGANベースのMRI法をPET翻訳に導入したことがある。この方法は、健常人のMRIとFDG PETスキャンを併用し、その後、病変検出に使用される患者MRIから偽の正常なFDG PET画像を生成する。しかし、このアプローチには健常者からの大量の高品質のMRIとPET画像が必要であるため、常に利用できるとは限らない。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を検討した。二つの深層学習手法であるCycleGANとSynDiffを用い,拡散法によりててててんかん焦点を正確に定位することに成功した。

関連論文リスト

Functional Imaging Constrained Diffusion for Brain PET Synthesis from Structural MRI [5.190302448685122]
新しい制約拡散モデル (CDM) を用いて, 入力条件として2組構造MRIを用いた3次元脳PET画像合成のためのフレームワークを提案する。 FICDはPETにノイズを導入し、CDMで徐々に除去する。 CDMは、各denoized PETと基底真理との間のボクセルワイドアライメントを確保するために、機能的イメージング制約を導入して、denoized PETを予測することを学ぶ。
論文参考訳（メタデータ） (2024-05-03T22:33:46Z)
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)
Faithful Synthesis of Low-dose Contrast-enhanced Brain MRI Scans using Noise-preserving Conditional GANs [102.47542231659521]
ガドリニウム系造影剤(GBCA)は様々な疾患の診断にMRIにおいて不可欠である。 GBCAは高価であり、副作用のある患者に蓄積される可能性がある。診断値を維持しながらGBCAの投与量をどの程度削減できるかは不明確である。
論文参考訳（メタデータ） (2023-06-26T13:19:37Z)
Synthesizing PET images from High-field and Ultra-high-field MR images Using Joint Diffusion Attention Model [18.106861006893524]
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。
論文参考訳（メタデータ） (2023-05-06T02:41:03Z)
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)
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)
Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文参考訳（メタデータ） (2021-06-04T09:51:27Z)
Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文参考訳（メタデータ） (2021-05-18T11:37:57Z)
Convolutional neural networks for automatic detection of Focal Cortical Dysplasia [59.034649152318224]
葉性皮質異形成症(FCD)は,皮質発達異常に関連する最も一般的なてんかん性病変の1つである。近年のディープラーニングを用いたFCD検出法は15名のラベル付きFCD患者のデータセットに適用されている。その結果, 被験者15名中11名に対してFCDの検出に成功した。
論文参考訳（メタデータ） (2020-10-20T15:30:37Z)
GANDALF: Generative Adversarial Networks with Discriminator-Adaptive Loss Fine-tuning for Alzheimer's Disease Diagnosis from MRI [1.4838157426267355]
ポジトロン・エミッション・トモグラフィ(PET)は、現在アルツハイマー病(AD)の診断基準となっている。 MRIはより広く利用でき、望まれる画像解像度を設定する際の柔軟性を提供する。 GAN(Generative Adversarial Network)を用いたMR画像からのPET画像の合成の試みが数多く行われている。本稿では,最高のAD分類性能を達成するために,GANトレーニング目標にAD診断を組み込んだ代替手法を提案する。
論文参考訳（メタデータ） (2020-08-10T20:09:35Z)

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。