Fugu-MT 論文翻訳(概要): Joint PET-MRI Reconstruction with Diffusion Stochastic Differential Model

論文の概要: Joint PET-MRI Reconstruction with Diffusion Stochastic Differential Model

arxiv url: http://arxiv.org/abs/2408.11840v1
Date: Wed, 7 Aug 2024 04:01:50 GMT
ステータス: 処理完了
システム内更新日: 2024-08-25 14:01:15.500204
Title: Joint PET-MRI Reconstruction with Diffusion Stochastic Differential Model
Title（参考訳）: 拡散確率微分モデルを用いた関節PET-MRI再構成
Authors: Taofeng Xie, Zhuoxu Cui, Congcong Liu, Chen Luo, Huayu Wang, Yuanzhi Zhang, Xuemei Wang, Yihang Zhou, Qiyu Jin, Guoqing Chen, Dong Liang, Haifeng Wang,
Abstract要約: PETは低信号対雑音比に苦しむ一方、MRIにおけるk空間データ取得プロセスは時間を要する。 PETとMRIの学習継手確率分布に基づく拡散微分方程式による新しい継手再構成モデルを提案する。
参考スコア（独自算出の注目度）: 19.062446884016854
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: PET suffers from a low signal-to-noise ratio. Meanwhile, the k-space data acquisition process in MRI is time-consuming by PET-MRI systems. We aim to accelerate MRI and improve PET image quality. This paper proposed a novel joint reconstruction model by diffusion stochastic differential equations based on learning the joint probability distribution of PET and MRI. Compare the results underscore the qualitative and quantitative improvements our model brings to PET and MRI reconstruction, surpassing the current state-of-the-art methodologies. Joint PET-MRI reconstruction is a challenge in the PET-MRI system. This studies focused on the relationship extends beyond edges. In this study, PET is generated from MRI by learning joint probability distribution as the relationship.
Abstract（参考訳）: PETは信号対雑音比が低い。一方、MRIにおけるk-spaceデータ取得プロセスはPET-MRIシステムで時間を要する。我々は、MRIを加速し、PET画像の品質を向上させることを目指している。本稿では,PETとMRIの関節確率分布の学習に基づく拡散確率微分方程式による新しい関節再構成モデルを提案する。我々のモデルがPETとMRIにもたらす質的かつ定量的な改善を、現在の最先端の方法論を超越した結果と比較する。 PET-MRIの併用はPET-MRIシステムの課題である。この研究は、縁を越えて広がる関係に焦点を当てている。本研究では,関節の確率分布を関係として学習し,MRIからPETを生成する。

関連論文リスト

Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。実験の結果,本手法は他の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2024-06-05T07:09:19Z)
PASTA: Pathology-Aware MRI to PET Cross-Modal Translation with Diffusion Models [7.6672160690646445]
本研究では,条件付き拡散モデルに基づく新しい画像翻訳フレームワークであるPASTAを紹介する。サイクル交換一貫性とボリューム生成戦略は、高品質な3DPETスキャンを生成するPASTAの能力を高める。アルツハイマー分類では、合成スキャンの性能はMRIよりも4%向上し、実際のPETの性能にほぼ達する。
論文参考訳（メタデータ） (2024-05-27T08:33:24Z)
Three-Dimensional Amyloid-Beta PET Synthesis from Structural MRI with Conditional Generative Adversarial Networks [45.426889188365685]
アルツハイマー病の徴候には、アミロイド-ベタ鉱床と脳萎縮がある。 PETは高価で侵襲的であり、患者を電離放射線に曝す。 MRIはより安価で、非侵襲的で、電離放射線を含まないが、脳萎縮の測定に限られる。
論文参考訳（メタデータ） (2024-05-03T14:10:29Z)
Pseudo-MRI-Guided PET Image Reconstruction Method Based on a Diffusion Probabilistic Model [6.2903848642045626]
MRI情報を用いて解剖学的にPET再建を行ったところ,PET画像の画質が向上する可能性が示唆された。本研究では,FDG-PET脳画像からT1強調MRI(deep-MRI)画像を推定するために拡散確率モデル(DPM)を用いた。次にDPM生成T1w-MRIを用いてPET再建を誘導する。
論文参考訳（メタデータ） (2024-03-26T22:50:36Z)
Joint Diffusion: Mutual Consistency-Driven Diffusion Model for PET-MRI Co-Reconstruction [19.790873500057355]
この研究は、MRIを加速し、PET画像の品質を向上させることを目的としている。従来のアプローチでは、PET-MRIシステム内の各モードを別々に再構成する。相互整合駆動拡散モード(MC-Diffusion)を用いた新しいPET-MRI関節再建モデルを提案する。
論文参考訳（メタデータ） (2023-11-24T13:26:53Z)
Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文参考訳（メタデータ） (2023-11-22T05:44:51Z)
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)
Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文参考訳（メタデータ） (2023-06-05T22:09:06Z)
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)
Physics-driven Deep Learning for PET/MRI [2.2113800586902608]
我々は,同時ポジトロン放射トモグラフィ(PET)/磁気共鳴イメージング(MRI)システムのための物理・データ駆動型再構成技術について概説する。これらの再構成手法は、構造的または統計的に、PETシステム応答の物理に基づく記述とともに、事前を利用する。我々は,3次元PET/MRIの再構成において,多面的アプローチがハイブリッドデータと物理駆動機械学習にどのように対応しているかを明らかにする。
論文参考訳（メタデータ） (2022-06-11T21:35:27Z)
ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。