論文の概要: Beyond Conventional Parametric Modeling: Data-Driven Framework for Estimation and Prediction of Time Activity Curves in Dynamic PET Imaging

• arxiv url: http://arxiv.org/abs/2405.21021v1
• Date: Fri, 31 May 2024 17:09:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 13:29:24.342182
• Title: Beyond Conventional Parametric Modeling: Data-Driven Framework for Estimation and Prediction of Time Activity Curves in Dynamic PET Imaging
• Title（参考訳）: 従来のパラメトリックモデリングを超えて:動的PET画像における時間活動曲線の推定と予測のためのデータ駆動フレームワーク
• Authors: Niloufar Zakariaei, Arman Rahmim, Eldad Haber,
• Abstract要約: 本研究では、リアクション拡散システムにインスパイアされた、革新的なデータ駆動型ニューラルネットワークベースのフレームワークを紹介する。 本手法は, dPETのTACに適応的に適合し, 観測データから拡散係数と反応項を直接キャリブレーションすることができる。
• 参考スコア（独自算出の注目度）: 4.097001355074171
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic Positron Emission Tomography (dPET) imaging and Time-Activity Curve (TAC) analyses are essential for understanding and quantifying the biodistribution of radiopharmaceuticals over time and space. Traditional compartmental modeling, while foundational, commonly struggles to fully capture the complexities of biological systems, including non-linear dynamics and variability. This study introduces an innovative data-driven neural network-based framework, inspired by Reaction Diffusion systems, designed to address these limitations. Our approach, which adaptively fits TACs from dPET, enables the direct calibration of diffusion coefficients and reaction terms from observed data, offering significant improvements in predictive accuracy and robustness over traditional methods, especially in complex biological scenarios. By more accurately modeling the spatio-temporal dynamics of radiopharmaceuticals, our method advances modeling of pharmacokinetic and pharmacodynamic processes, enabling new possibilities in quantitative nuclear medicine.
• Abstract（参考訳）: 動的陽電子線トモグラフィ(dPET)イメージングと時間活性曲線(TAC)解析は、時間と空間における放射性医薬品の生物分布の理解と定量化に不可欠である。 従来のコンパートメンタルモデリングは、基礎的ではあるが、非線形力学や可変性を含む生物学的システムの複雑さを完全に捉えるのに苦慮している。 本研究では、これらの制限に対処するために設計されたリアクション拡散システムにインスパイアされた、革新的なデータ駆動ニューラルネットワークベースのフレームワークを紹介する。 提案手法は,dPETのTACを適応的に適合させて観測データから拡散係数と反応項を直接キャリブレーションし,特に複雑な生物学的シナリオにおいて従来の手法に比べて予測精度と堅牢性を大幅に向上させる。 放射性医薬品の時空間動態をより正確にモデル化することにより, 薬物動態および薬物動態のモデリングを進め, 定量核医学の新しい可能性を実現する。

関連論文リスト

• CMINNs: Compartment Model Informed Neural Networks -- Unlocking Drug Dynamics [1.7614751781649955]
  本稿では,PKとPK-PDモデリングを統合した革新的な手法を提案する。 提案手法は物理インフォームドニューラルネットワーク(PINN)と分数物理インフォームドニューラルネットワーク(fPINN)を用いる。 その結果、この手法は、薬物吸収率と分散遅延応答のモデル描写を著しく強化する堅牢なフレームワークを提供することを示した。
  論文  参考訳（メタデータ） (2024-09-19T15:01:33Z)
• HyperSBINN: A Hypernetwork-Enhanced Systems Biology-Informed Neural Network for Efficient Drug Cardiosafety Assessment [0.46435896353765527]
  メタラーニング技術とシステム生物学インフォームドニューラルネットワーク(SBINN)を組み合わせることで、心臓活動電位のパラメータ化モデルを解く新しい手法を提案する。 提案手法であるHyper SBINNは、異なる濃度における各種化合物の心活動電位への影響を予測するという課題を効果的に解決する。
  論文  参考訳（メタデータ） (2024-08-26T13:40:33Z)
• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET [36.28565007063204]
  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。
  論文  参考訳（メタデータ） (2023-05-17T21:08:02Z)
• Transient Hemodynamics Prediction Using an Efficient Octree-Based Deep Learning Model [0.0]
  複雑な合成血管形状の高分解能(空間および時間)速度場を予測できるアーキテクチャを提案する。 CFDシミュレーションと比較して、速度場は平均絶対誤差0.024m/sで推定できるのに対し、実行時間は高性能クラスタでは数時間からコンシューマグラフィカル処理ユニットでは数秒に短縮される。
  論文  参考訳（メタデータ） (2023-02-13T17:56:00Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• 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)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。