論文の概要: End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms

• arxiv url: http://arxiv.org/abs/2412.03617v1
• Date: Wed, 04 Dec 2024 14:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:39:49.285980
• Title: End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms
• Title（参考訳）: 終端トリプルドメインPET強調:低線量PETシングラムから標準線量PET画像の再構成のためのハイブリッドデノイング・アンド・リコンストラクションフレームワーク
• Authors: Caiwen Jiang, Mianxin Liu, Kaicong Sun, Dinggang Shen,
• Abstract要約: 低線量PETシングラムから標準線量PET画像の再構成を行うために,TripleTフレームワークを提案する。 提案したTriPLETは,最先端の手法と比較して,SPET画像と実データとの類似性と信号対雑音比が最も高い再構成を行うことができる。
• 参考スコア（独自算出の注目度）: 43.13562515963306
• License:
• Abstract: As a sensitive functional imaging technique, positron emission tomography (PET) plays a critical role in early disease diagnosis. However, obtaining a high-quality PET image requires injecting a sufficient dose (standard dose) of radionuclides into the body, which inevitably poses radiation hazards to patients. To mitigate radiation hazards, the reconstruction of standard-dose PET (SPET) from low-dose PET (LPET) is desired. According to imaging theory, PET reconstruction process involves multiple domains (e.g., projection domain and image domain), and a significant portion of the difference between SPET and LPET arises from variations in the noise levels introduced during the sampling of raw data as sinograms. In light of these two facts, we propose an end-to-end TriPle-domain LPET EnhancemenT (TriPLET) framework, by leveraging the advantages of a hybrid denoising-and-reconstruction process and a triple-domain representation (i.e., sinograms, frequency spectrum maps, and images) to reconstruct SPET images from LPET sinograms. Specifically, TriPLET consists of three sequentially coupled components including 1) a Transformer-assisted denoising network that denoises the inputted LPET sinograms in the projection domain, 2) a discrete-wavelet-transform-based reconstruction network that further reconstructs SPET from LPET in the wavelet domain, and 3) a pair-based adversarial network that evaluates the reconstructed SPET images in the image domain. Extensive experiments on the real PET dataset demonstrate that our proposed TriPLET can reconstruct SPET images with the highest similarity and signal-to-noise ratio to real data, compared with state-of-the-art methods.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィー(PET)は早期疾患の診断において重要な役割を担っている。 しかし、高画質のPET画像を得るためには、十分な量の放射性核種(標準線量)を体内に注入する必要がある。 放射線障害を軽減するため,低線量PET(LPET)からの標準線量PET(SPET)の再構築が望まれている。 画像理論によれば、PET再構成プロセスには複数のドメイン(例えば、投影領域と画像領域)が含まれており、SPETとLPETの違いのかなりの部分は、原データのサンプリング時に発生するノイズレベルの変動から生じる。 これら2つの事実を踏まえ,ハイブリッドデノジング・アンド・リコンストラクションプロセスとトリプルドメイン表現(シノグラム,周波数スペクトルマップ,画像など)の利点を活かして,TriPle- domain LPET EnhancemenT(TriPLET)フレームワークを提案する。 具体的には、TriPLETは3つの逐次結合されたコンポーネントから構成される。 1)プロジェクション領域において入力されたLPETシングラムをノイズ化するトランスフォーマー支援型遮音ネットワーク。 2)ウェーブレット領域におけるLCPからSPETをさらに再構築する離散ウェーブレット変換に基づく再構成ネットワーク 3)画像領域における再構成されたSPET画像を評価するペアベースの対向ネットワーク。 提案したTriPLETは,本手法と比較して,実データに最も類似度が高く,信号と雑音の比が高いSPET画像を再構成可能であることを示す。

関連論文リスト

• S3PET: Semi-supervised Standard-dose PET Image Reconstruction via Dose-aware Token Swap [11.13611856305595]
  そこで本稿では,S3PETとS3PETを併用した2段階のSPET再構成フレームワークを提案する。 我々のS3PETは、未確認画像から表現を抽出するための教師なし事前訓練段階(Stage I)と、LPET-to-SPET再構成を実現するための監督付き線量認識再建段階(Stage II)を含む。
  論文  参考訳（メタデータ） (2024-07-30T14:56:06Z)
• Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness [43.45142393436787]
  線量レベルの認識が可能な新しい二相多段PET再構成アルゴリズムを設計する。 事前学習フェーズは、きめ細かい識別特徴と効果的な意味表現の両方を探索するために考案された。 SPET予測フェーズは、事前学習した線量レベルを利用した粗い予測ネットワークを採用して予備結果を生成する。
  論文  参考訳（メタデータ） (2024-04-02T01:57:08Z)
• Image2Points:A 3D Point-based Context Clusters GAN for High-Quality PET Image Reconstruction [47.398304117228584]
  LPETから高品質なSPET画像を再構成する3DポイントベースのコンテキストクラスタGAN(PCC-GAN)を提案する。 臨床とファントムの両方の実験により、PCC-GANは最先端の再建方法よりも優れています。
  論文  参考訳（メタデータ） (2024-02-01T06:47:56Z)
• PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network [14.381830012670969]
  近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。 これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。 SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2023-10-24T06:43:56Z)
• 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)
• TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction from Low-Dose Sinograms [45.24575167909925]
  TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。 最先端の手法を質的に、定量的に上回る。 GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
  論文  参考訳（メタデータ） (2023-08-10T06:20:00Z)
• 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)
• A resource-efficient deep learning framework for low-dose brain PET image reconstruction and analysis [13.713286047709982]
  本稿では,L-PET再構成と解析のための資源効率の高いディープラーニングフレームワーク,TransGAN-SDAMを提案する。 トランスGANは高品質なF-PET画像を生成し、SDAMは生成されたF-PETスライス列の空間情報を統合して全脳F-PET画像を生成する。
  論文  参考訳（メタデータ） (2022-02-14T08:40:19Z)

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。