論文の概要: Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet

• arxiv url: http://arxiv.org/abs/2411.05302v1
• Date: Fri, 08 Nov 2024 03:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:53:36.080155
• Title: Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet
• Title（参考訳）: 制御ネットを用いた3次元拡散モデルを用いた全身PET画像の適応化
• Authors: Boxiao Yu, Kuang Gong,
• Abstract要約: 近年の深層学習に基づく denoising 手法は,臨床環境の多様性に適応する上で課題に直面している。 全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。
• 参考スコア（独自算出の注目度）: 3.83243615095535
• License:
• Abstract: Positron Emission Tomography (PET) is a vital imaging modality widely used in clinical diagnosis and preclinical research but faces limitations in image resolution and signal-to-noise ratio due to inherent physical degradation factors. Current deep learning-based denoising methods face challenges in adapting to the variability of clinical settings, influenced by factors such as scanner types, tracer choices, dose levels, and acquisition times. In this work, we proposed a novel 3D ControlNet-based denoising method for whole-body PET imaging. We first pre-trained a 3D Denoising Diffusion Probabilistic Model (DDPM) using a large dataset of high-quality normal-dose PET images. Following this, we fine-tuned the model on a smaller set of paired low- and normal-dose PET images, integrating low-dose inputs through a 3D ControlNet architecture, thereby making the model adaptable to denoising tasks in diverse clinical settings. Experimental results based on clinical PET datasets show that the proposed framework outperformed other state-of-the-art PET image denoising methods both in visual quality and quantitative metrics. This plug-and-play approach allows large diffusion models to be fine-tuned and adapted to PET images from diverse acquisition protocols.
• Abstract（参考訳）: PET(Positron Emission Tomography)は、臨床診断や前臨床研究で広く用いられている画像モダリティであるが、固有の物理的劣化因子による画像解像度と信号-雑音比の制限に直面している。 現在のディープラーニングベース・デノナイジング手法は、スキャナーの種類、トレーサの選択、線量レベル、取得時間などの要因の影響を受け、臨床環境の多様性に適応する上で課題に直面している。 本研究では,全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。 我々はまず,高品質な正常線量PET画像の大規模なデータセットを用いて,DDPM(Denoising Diffusion Probabilistic Model)を事前訓練した。 次に,低線量PET画像と低線量PET画像の小さなセットにモデルを微調整し,低線量入力を3次元制御ネットアーキテクチャで統合し,様々な臨床環境下でのタスクの認知に適応させる。 臨床PETデータセットに基づく実験結果から,提案手法は視覚的品質と定量的指標の両方において,他の最先端のPET画像復調法よりも優れていた。 このプラグイン・アンド・プレイ方式により、様々な取得プロトコルからのPET画像に対して、大きな拡散モデルを微調整し、適応させることができる。

関連論文リスト

• Volumetric Conditional Score-based Residual Diffusion Model for PET/MR Denoising [13.694516702501097]
  PETイメージングは、分子および生理過程の定量的評価を提供する強力なモダリティである。 PET画像における内在性高ノイズレベルからPET脱ノイズの必要性が生じる。 条件スコアに基づくResidual Diffusion(CSRD)モデルでは,高精細なスコア関数と3Dパッチワイドトレーニング戦略を取り入れることで,これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-09-30T19:35:22Z)
• 2.5D Multi-view Averaging Diffusion Model for 3D Medical Image Translation: Application to Low-count PET Reconstruction with CT-less Attenuation Correction [17.897681480967087]
  ポジトロン・エミッション・トモグラフィ(PET)は重要な臨床画像診断ツールであるが、患者や医療機関に必然的に放射線障害をもたらす。 非減衰補正低線量PETを減衰補正標準線量PETに変換する3D法の開発が望ましい。 近年の拡散モデルは、従来のCNNベースの手法よりも優れた画像から画像への翻訳のための最先端のディープラーニング手法として登場した。 NACを用いた3次元画像から画像への変換のための新しい2.5次元マルチビュー平均拡散モデル(MADM)を開発した。
  論文  参考訳（メタデータ） (2024-06-12T16:22:41Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• CG-3DSRGAN: A classification guided 3D generative adversarial network for image quality recovery from low-dose PET images [10.994223928445589]
  PET画像では, トレーサー線量による高放射能が主な関心事である。 投与量を減少させると、画像の質が不十分になる。 CNNを用いた低線量PET合成法が開発されている。
  論文  参考訳（メタデータ） (2023-04-03T05:39:02Z)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。 DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)
• 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)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Anatomical-Guided Attention Enhances Unsupervised PET Image Denoising Performance [0.0]
  解剖学的情報誘導型注意機構に基づく教師なし3次元PET画像復調手法を提案する。 MR-GDD(MR-GDD)はMR-Guidance画像の空間的詳細と意味的特徴をより効果的に活用する。
  論文  参考訳（メタデータ） (2021-09-02T09:27:07Z)
• Tattoo tomography: Freehand 3D photoacoustic image reconstruction with an optical pattern [49.240017254888336]
  光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。 現在の欠点は、従来の2Dプローブによって提供される視野の制限である。 本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T09:27:56Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。