論文の概要: Reconstructing Quantitative Cerebral Perfusion Images Directly From Measured Sinogram Data Acquired Using C-arm Cone-Beam CT

• arxiv url: http://arxiv.org/abs/2412.05084v1
• Date: Fri, 06 Dec 2024 14:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:55:07.876586
• Title: Reconstructing Quantitative Cerebral Perfusion Images Directly From Measured Sinogram Data Acquired Using C-arm Cone-Beam CT
• Title（参考訳）: C-arm cone-Beam CT を用いたSinogram 画像からの定量的脳血流画像の再構成
• Authors: Haotian Zhao, Ruifeng Chen, Jing Yan, Juan Feng, Jun Xiang, Yang Chen, Dong Liang, Yinsheng Li,
• Abstract要約: 現在の定量的灌流イメージングは、時間分解画像再構成と灌流パラメトリック推定という2つのカスケードステップを含む。 これらの2つの課題は、C-arm CBCTを用いて定量的に正確な灌流画像を得るのを防ぐことである。 現に開発された直接脳血流パラメトリック画像再構成技術であるTRAINERでは、定量的灌流画像は時間分解CTフォワードモデルの制約の下で訓練された主観的条件生成モデルとして表現されている。
• 参考スコア（独自算出の注目度）: 11.97193686553776
• License:
• Abstract: To shorten the door-to-puncture time for better treating patients with acute ischemic stroke, it is highly desired to obtain quantitative cerebral perfusion images using C-arm cone-beam computed tomography (CBCT) equipped in the interventional suite. However, limited by the slow gantry rotation speed, the temporal resolution and temporal sampling density of typical C-arm CBCT are much poorer than those of multi-detector-row CT in the diagnostic imaging suite. The current quantitative perfusion imaging includes two cascaded steps: time-resolved image reconstruction and perfusion parametric estimation. For time-resolved image reconstruction, the technical challenge imposed by poor temporal resolution and poor sampling density causes inaccurate quantification of the temporal variation of cerebral artery and tissue attenuation values. For perfusion parametric estimation, it remains a technical challenge to appropriately design the handcrafted regularization for better solving the associated deconvolution problem. These two challenges together prevent obtaining quantitatively accurate perfusion images using C-arm CBCT. The purpose of this work is to simultaneously address these two challenges by combining the two cascaded steps into a single joint optimization problem and reconstructing quantitative perfusion images directly from the measured sinogram data. In the developed direct cerebral perfusion parametric image reconstruction technique, TRAINER in short, the quantitative perfusion images have been represented as a subject-specific conditional generative model trained under the constraint of the time-resolved CT forward model, perfusion convolutional model, and the subject's own measured sinogram data. Results shown in this paper demonstrated that using TRAINER, quantitative cerebral perfusion images can be accurately obtained using C-arm CBCT in the interventional suite.
• Abstract（参考訳）: C-arm cone-beam Computed Tomography (CBCT) を用いて脳血流画像の定量化が望まれる。 しかし, ガントリー回転速度, 時間分解能, C-arm CBCT のサンプリング密度は, 画像診断スイートのマルチ・ディテクター・ローCT よりも低かった。 現在の定量的灌流イメージングは、時間分解画像再構成と灌流パラメトリック推定の2つのカスケードステップを含む。 時間分解画像再構成では、時間分解能の低下とサンプリング密度の低下により、脳動脈の時間変化と組織減衰の値が不正確な量化される。 拡散パラメトリック推定では、関連するデコンボリューション問題を改善するために手作りの正規化を適切に設計することが技術的課題である。 これらの2つの課題は、C-arm CBCTを用いて定量的に正確な灌流画像を得るのを防ぐことである。 本研究の目的は、この2つのステップを1つの共同最適化問題に組み合わせ、測定されたシングラムデータから直接定量的な灌流像を再構成することで、これら2つの課題を同時に解決することである。 現に開発された直接脳血流パラメトリック画像再構成技術であるTRAINERにおいて、定量的灌流画像は、時間分解CTフォワードモデル、灌流畳み込みモデル、および被検体自作のシノグラムデータの制約の下で訓練された被検体特異的な条件生成モデルとして表現されている。 そこで本研究では,TRAINERを用いてC-arm CBCTを用いて定量的な脳血流画像を得ることができた。

関連論文リスト

• Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
  毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。 治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。 本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
  論文  参考訳（メタデータ） (2024-09-19T07:56:06Z)
• Sequential-Scanning Dual-Energy CT Imaging Using High Temporal Resolution Image Reconstruction and Error-Compensated Material Basis Image Generation [6.361772490498643]
  我々は高時間分解能画像再構成と誤差補償材料ベース画像生成を用いたシーケンシャルスキャン画像を開発した。 その結果,ACCELERATIONによる定量化精度と画質の向上が示された。
  論文  参考訳（メタデータ） (2024-08-27T03:09:39Z)
• Prior Frequency Guided Diffusion Model for Limited Angle (LA)-CBCT Reconstruction [2.960150120524893]
  コーンビームCT(CBCT)は画像誘導放射線療法に広く用いられている。 LA-CBCT再建は、深刻なアンダーサンプリングアーティファクトに悩まされ、非常に不良な逆問題となる。 LA-CBCT再構成のための拡散モデルに基づく事前周波数誘導拡散モデル(PFGDM)を開発した。
  論文  参考訳（メタデータ） (2024-04-01T19:41:33Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Parallel Diffusion Model-based Sparse-view Cone-beam Breast CT [7.712142153700843]
  我々は,切欠き拡散確率モデル(DDPM)を,サブボリュームベーススパースビュー胸部CT画像再構成のための並列フレームワークに変換する。 実験により, 本手法は, 標準放射線線量の半分から3分の1の競争再建性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-03-22T18:55:43Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
  本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。 緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
  論文  参考訳（メタデータ） (2021-10-26T20:06:05Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• 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。