Fugu-MT 論文翻訳(概要): TauAD: MRI-free Tau Anomaly Detection in PET Imaging via Conditioned Diffusion Models

論文の概要: TauAD: MRI-free Tau Anomaly Detection in PET Imaging via Conditioned Diffusion Models

arxiv url: http://arxiv.org/abs/2405.13199v1
Date: Tue, 21 May 2024 21:02:53 GMT
ステータス: 処理完了
システム内更新日: 2024-05-25 02:03:26.385441
Title: TauAD: MRI-free Tau Anomaly Detection in PET Imaging via Conditioned Diffusion Models
Title（参考訳）: TauAD:条件付き拡散モデルを用いたPET画像におけるMRIのないTau異常検出
Authors: Lujia Zhong, Shuo Huang, Jiaxin Yue, Jianwei Zhang, Zhiwei Deng, Wenhao Chi, Yonggang Shi,
Abstract要約: タウPET画像データからMRIのない異常検出を行うための新しい条件拡散モデルを提案する。我々はADNIの被験者にモデルをトレーニングし、A4臨床試験の前臨床対象と異なるデータセットでその性能を評価する。
参考スコア（独自算出の注目度）: 9.728251317853358
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The emergence of tau PET imaging over the last decade has enabled Alzheimer's disease (AD) researchers to examine tau pathology in vivo and more effectively characterize the disease trajectories of AD. Current tau PET analysis methods, however, typically perform inferences on large cortical ROIs and are limited in the detection of localized tau pathology that varies across subjects. Furthermore, a high-resolution MRI is required to carry out conventional tau PET analysis, which is not commonly acquired in clinical practices and may not be acquired for many elderly patients with dementia due to strong motion artifacts, claustrophobia, or certain metal implants. In this work, we propose a novel conditional diffusion model to perform MRI-free anomaly detection from tau PET imaging data. By including individualized conditions and two complementary loss maps from pseudo-healthy and pseudo-unhealthy reconstructions, our model computes an anomaly map across the entire brain area that allows simply training a support vector machine (SVM) for classifying disease severity. We train our model on ADNI subjects (n=534) and evaluate its performance on a separate dataset from the preclinical subjects of the A4 clinical trial (n=447). We demonstrate that our method outperforms baseline generative models and the conventional Z-score-based method in anomaly localization without mis-detecting off-target bindings in sub-cortical and out-of-brain areas. By classifying the A4 subjects according to their anomaly map using the SVM trained on ADNI data, we show that our method can successfully group preclinical subjects with significantly different cognitive functions, which further demonstrates the effectiveness of our method in capturing biologically relevant anomaly in tau PET imaging.
Abstract（参考訳）: 過去10年間のタウPET画像の出現により、アルツハイマー病(AD)研究者はタウの病態をin vivoで調べ、ADの疾患軌跡をより効果的に特徴づけることができた。しかし、現在のタウPET分析法は、典型的には大脳皮質ROIの推測を行い、被験者によって異なる局所的なタウ病の検出に制限される。また,高分解能MRIで従来のtau PET解析を行なわなければならないが,これは臨床実践では一般的には得られず,強い運動アーチファクト,閉所恐怖症,特定の金属インプラントによる認知症高齢者では得られない。本研究では,タウPET画像データからMRIのない異常検出を行う条件拡散モデルを提案する。本モデルでは、個別化条件と擬似不健康および擬似不健康再建からの2つの相補的損失マップを含めることで、脳領域全体にわたる異常マップを計算し、疾患の重症度を分類するための支援ベクトルマシン(SVM)を簡易に訓練することができる。対象はADNI対象者(n=534)で,A4臨床試験対象者(n=447)とは別のデータセットで評価を行った。本手法は,脳皮質下領域と脳外領域におけるターゲット外結合を誤検出することなく,異常局所化において,ベースライン生成モデルと従来のZスコア法よりも優れていることを示す。また,ADNIデータに基づいて訓練したSVMを用いて,A4被験者の異常マップに基づいてA4被験者を分類することにより,認知機能が大きく異なる前臨床被験者をグループ化できることを示す。

関連論文リスト

CT to PET Translation: A Large-scale Dataset and Domain-Knowledge-Guided Diffusion Approach [4.4202829112545015]
PET(Positron Emission Tomography)とCT(Computed Tomography)は、様々な疾患、特にがんの診断、ステージング、モニタリングに不可欠である。その重要性にもかかわらず、PET/CTシステムの使用は、放射性物質の必要性、PETスキャナーの不足、PETイメージングに関連する高コストによって制限されている。これらの課題に対して,CT画像からPET画像を生成するという課題に対処し,医療検査コストと患者の健康リスクの両面で低減することを目的とした。
論文参考訳（メタデータ） (2024-10-29T10:48:52Z)
Synthesizing beta-amyloid PET images from T1-weighted Structural MRI: A Preliminary Study [6.4038303148510005]
T1強調MRI画像から3次元拡散モデルを用いてA$beta$-PET画像を合成する手法を提案する。本手法は, 軽度認知障害 (MCI) 患者に対して有効ではないものの, 認知正常症例に対して高品質なA$beta$-PET画像を生成する。
論文参考訳（メタデータ） (2024-09-26T20:51:59Z)
Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-07-08T09:08:42Z)
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)
Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
教師なし異常検出は、より広い範囲の異常を識別する可能性がある。既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
論文参考訳（メタデータ） (2023-12-04T14:02:56Z)
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)
AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection [34.007468043336274]
健全な解剖学の詳細を学習し,高解像度画像の再構成を行うために,ロバストな塗装モデルを提案する。また,腫瘍を自動的に検出し,その外観を健康な解剖学に置き換えるオートインペインティングパイプラインを提案し,そのセグメントに基づいて腫瘍の体積を推定した。
論文参考訳（メタデータ） (2023-05-21T05:45:38Z)
Cross Attention Transformers for Multi-modal Unsupervised Whole-Body PET Anomaly Detection [1.0098107825681861]
18F-フルオロデオキシグルコース(18F-fluorodeoxyglucose)は、がんを検出するために一般的に用いられる画像モダリティである。汎用的識別性癌検出モデルの訓練は困難である。教師なし異常検出モデルは仮定解として提案されている。
論文参考訳（メタデータ） (2023-04-14T14:15:27Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。