論文の概要: MCAD: Multi-modal Conditioned Adversarial Diffusion Model for High-Quality PET Image Reconstruction

• arxiv url: http://arxiv.org/abs/2406.13150v1
• Date: Wed, 19 Jun 2024 01:53:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 23:38:44.248789
• Title: MCAD: Multi-modal Conditioned Adversarial Diffusion Model for High-Quality PET Image Reconstruction
• Title（参考訳）: MCAD:高画質PET画像再構成のための多モード共振器拡散モデル
• Authors: Jiaqi Cui, Xinyi Zeng, Pinxian Zeng, Bo Liu, Xi Wu, Jiliu Zhou, Yan Wang,
• Abstract要約: 標準線量ポジトロン放射トモグラフィ(SPET)画像に関連する放射線の危険性は依然として懸念されている。 低線量PET(LPET)画像の品質は臨床要件を満たしていない。 マルチモーダル入力からSPETイメージを再構成するためのMCAD(Multi-modal Conditioned Adrial Diffusion Model)を提案する。
• 参考スコア（独自算出の注目度）: 11.119449232549158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Radiation hazards associated with standard-dose positron emission tomography (SPET) images remain a concern, whereas the quality of low-dose PET (LPET) images fails to meet clinical requirements. Therefore, there is great interest in reconstructing SPET images from LPET images. However, prior studies focus solely on image data, neglecting vital complementary information from other modalities, e.g., patients' clinical tabular, resulting in compromised reconstruction with limited diagnostic utility. Moreover, they often overlook the semantic consistency between real SPET and reconstructed images, leading to distorted semantic contexts. To tackle these problems, we propose a novel Multi-modal Conditioned Adversarial Diffusion model (MCAD) to reconstruct SPET images from multi-modal inputs, including LPET images and clinical tabular. Specifically, our MCAD incorporates a Multi-modal conditional Encoder (Mc-Encoder) to extract multi-modal features, followed by a conditional diffusion process to blend noise with multi-modal features and gradually map blended features to the target SPET images. To balance multi-modal inputs, the Mc-Encoder embeds Optimal Multi-modal Transport co-Attention (OMTA) to narrow the heterogeneity gap between image and tabular while capturing their interactions, providing sufficient guidance for reconstruction. In addition, to mitigate semantic distortions, we introduce the Multi-Modal Masked Text Reconstruction (M3TRec), which leverages semantic knowledge extracted from denoised PET images to restore the masked clinical tabular, thereby compelling the network to maintain accurate semantics during reconstruction. To expedite the diffusion process, we further introduce an adversarial diffusive network with a reduced number of diffusion steps. Experiments show that our method achieves the state-of-the-art performance both qualitatively and quantitatively.
• Abstract（参考訳）: 低線量PET(LPET)画像の品質は臨床要件を満たしていないが、標準線量ポジトロン断層撮影(SPET)画像に関連する放射線障害が懸念されている。 そのため,LPET画像からのSPET画像の再構成には大きな関心がある。 しかし、先行研究は画像データのみに焦点をあて、他のモダリティ、例えば患者の臨床表表から重要な補完情報を無視し、限られた診断ユーティリティで再構成を損なう結果となった。 さらに、実際のSPETと再構成された画像のセマンティック一貫性を見落とし、歪んだセマンティックコンテキストを生み出す。 これらの問題に対処するため,本研究では,LCP画像や臨床表表などの多モード入力からSPET画像を再構成する,MCAD(Multi-modal Conditioned Adversarial Diffusion Model)を提案する。 具体的には、マルチモーダルな条件付きエンコーダ(Mc-Encoder)を用いてマルチモーダルな特徴を抽出し、次いで条件付き拡散処理を行い、ノイズとマルチモーダルな特徴をブレンドし、徐々に混合した特徴を対象のSPET画像にマッピングする。 マルチモーダル入力のバランスをとるため、Mc-EncoderはOMTA(Optimal Multi-modal Transport co-Attention)を組み込み、画像と表の間の不均一性ギャップを狭めながら相互作用を捉え、再構築のための十分なガイダンスを提供する。 さらに, 意味の歪みを軽減するために, 識別されたPET画像から抽出した意味的知識を活用して, マスク付き臨床表象を復元し, 再建中の正確な意味の維持をネットワークに促すマルチモーダルマスケッドテキスト再構成(M3TRec)を導入する。 さらに,拡散過程を高速化するために,拡散ステップの少ない対向拡散ネットワークを導入する。 実験により,本手法は定性的かつ定量的に,最先端の性能を達成することが示された。

関連論文リスト

• Deep kernel representations of latent space features for low-dose PET-MR imaging robust to variable dose reduction [0.09362267584678274]
  低線量ポジトロン放射トモグラフィ(PET)画像再構成法は、画像モダリティとしてPETを大幅に改善する可能性がある。 ディープラーニングは、画像再構成問題に事前情報を組み込んで、妥協された信号から定量的に正確な画像を生成する、有望な手段を提供する。 本稿では,カーネル表現を頑健に表現した深層潜伏空間の特徴を明示的にモデル化し,これまで見られなかった線量削減係数に対して頑健な性能を提供する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T03:57:31Z)
• Multi-Branch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction [42.95604565673447]
  本稿では,マルチブランチ生成モデルを用いた医用画像の相乗的再構築のための新しい手法を提案する。 我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の2つのデータセットに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2024-04-12T18:21:08Z)
• 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)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• List-Mode PET Image Reconstruction Using Deep Image Prior [3.6427817678422016]
  PET(List-mode positron emission tomography)画像再構成はPETスキャナーにとって重要なツールである。 深層学習はPET画像再構成の品質を高める1つの方法である。 本研究では,Deep image priorと呼ばれる教師なしCNNを用いた新しいPET画像再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T10:44:33Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Towards Lower-Dose PET using Physics-Based Uncertainty-Aware Multimodal Learning with Robustness to Out-of-Distribution Data [2.624902795082451]
  PET線量や取得時間を減らすことで光子数が少なくなり、画質が低下する。 近年のディープ・ニューラル・ネットワーク(DNN)による画像間翻訳手法により,低品質PET画像のマッピングが可能となった。 我々のフレームワークであるSuDNNは、低線量/低線量PET画像の形でマルチモーダル入力を用いて標準線量PET画像を推定する。
  論文  参考訳（メタデータ） (2021-07-21T06:18:10Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。