論文の概要: Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction
- arxiv url: http://arxiv.org/abs/2412.04339v1
- Date: Thu, 05 Dec 2024 16:58:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:41:37.497326
- Title: Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction
- Title(参考訳): 完全3次元PET画像再構成のための様相スケジューリングスコアベース生成モデル
- Authors: George Webber, Yuya Mizuno, Oliver D. Howes, Alexander Hammers, Andrew P. King, Andrew J. Reader,
- Abstract要約: 提案手法は, 再現を加速し, 臨界ハイパーパラメータの数を減少させる3次元再構成の実践的手法である。
本手法は既存のSGMによるPET再構成のNAMSEとSSIMに適合または改善可能であることを示す。
実3次元PETデータ、具体的には[18$F]DPA-714データに対するSGMベースの再構成の実装を初めて紹介する。
- 参考スコア(独自算出の注目度): 40.34650079545031
- License:
- Abstract: Medical image reconstruction with pre-trained score-based generative models (SGMs) has advantages over other existing state-of-the-art deep-learned reconstruction methods, including improved resilience to different scanner setups and advanced image distribution modeling. SGM-based reconstruction has recently been applied to simulated positron emission tomography (PET) datasets, showing improved contrast recovery for out-of-distribution lesions relative to the state-of-the-art. However, existing methods for SGM-based reconstruction from PET data suffer from slow reconstruction, burdensome hyperparameter tuning and slice inconsistency effects (in 3D). In this work, we propose a practical methodology for fully 3D reconstruction that accelerates reconstruction and reduces the number of critical hyperparameters by matching the likelihood of an SGM's reverse diffusion process to a current iterate of the maximum-likelihood expectation maximization algorithm. Using the example of low-count reconstruction from simulated $[^{18}$F]DPA-714 datasets, we show our methodology can match or improve on the NRMSE and SSIM of existing state-of-the-art SGM-based PET reconstruction while reducing reconstruction time and the need for hyperparameter tuning. We evaluate our methodology against state-of-the-art supervised and conventional reconstruction algorithms. Finally, we demonstrate a first-ever implementation of SGM-based reconstruction for real 3D PET data, specifically $[^{18}$F]DPA-714 data, where we integrate perpendicular pre-trained SGMs to eliminate slice inconsistency issues.
- Abstract(参考訳): 予め訓練されたスコアベース生成モデル(SGM)を用いた医用画像再構成は、様々なスキャナーのレジリエンスの改善や高度な画像分布モデリングなど、既存の最先端の深層学習再構成手法よりも利点がある。
SGMをベースとした再構成は、最近、PET(simulated positron emission tomography)データセットに応用され、最先端の病変に対するコントラスト回復の改善が示されている。
しかし, PETデータからのSGMによる再構成には, 遅い再構成, 負担のかかるハイパーパラメータチューニング, およびスライス不整合効果(3D)が伴う。
本研究では,SGMの逆拡散過程の確率を最大値予測最大化アルゴリズムの現在の繰り返しに合わせることで,再構成を加速し,臨界ハイパーパラメータの数を減少させる,完全3次元再構成のための実用的な手法を提案する。
シミュレーションされた$[^{18}$F]DPA-714データセットの低位再構成例を用いて,既存のSGMベースPET再構成のNAMSEとSSIMに適合または改善できる手法を示し,再構成時間とハイパーパラメータチューニングの必要性を低減した。
我々は,最先端の教師付きおよび従来型の再構築アルゴリズムに対する方法論の評価を行った。
最後に,実3次元PETデータ,具体的には$[^{18}$F]DPA-714データに対して,SGMを初めて実装した。
関連論文リスト
- Generative-Model-Based Fully 3D PET Image Reconstruction by Conditional Diffusion Sampling [40.34650079545031]
我々は、全数参照脳画像に基づいてSGMを訓練し、SGMベースの再構成を極めて少ない回数で行えるように方法論を拡張した。
次に、1%カウントデータの複数の独立実現のための再構成を行い、その手法のバイアス特性と分散特性を分析する。
我々は,本手法の性能を実測値と実測値のPETデータで評価し,従来のOSEMおよびMAP-EMベースラインと比較した。
論文 参考訳(メタデータ) (2024-12-05T16:35:43Z) - DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。
提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-04-19T09:52:32Z) - Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。
我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
論文 参考訳(メタデータ) (2023-11-24T04:55:20Z) - Fully 3D Implementation of the End-to-end Deep Image Prior-based PET
Image Reconstruction Using Block Iterative Algorithm [0.0]
Deep Image prior (DIP) はPET画像再構成により注目されている。
本稿では, エンドツーエンドDIPベースの完全3次元PET画像再構成手法の実装を初めて試みる。
論文 参考訳(メタデータ) (2022-12-22T16:25:58Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳(メタデータ) (2022-08-17T03:42:19Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z) - Direct PET Image Reconstruction Incorporating Deep Image Prior and a
Forward Projection Model [0.0]
畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。
深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。
提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
論文 参考訳(メタデータ) (2021-09-02T08:07:58Z) - 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment
Feedback Loop [128.07841893637337]
回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。
パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。
本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
論文 参考訳(メタデータ) (2021-03-30T17:07:49Z) - 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) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z)
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。