論文の概要: Rethinking Timing Residuals: Advancing PET Detectors with Explicit TOF Corrections

• arxiv url: http://arxiv.org/abs/2502.07630v1
• Date: Tue, 11 Feb 2025 15:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:05:59.523245
• Title: Rethinking Timing Residuals: Advancing PET Detectors with Explicit TOF Corrections
• Title（参考訳）: 時間残差を再考する:明示的なTOF補正によるPET検出器の改良
• Authors: Stephan Naunheim, Luis Lopes de Paiva, Vanessa Nadig, Yannick Kuhl, Stefan Gundacker, Florian Mueller, Volkmar Schulz,
• Abstract要約: 本研究では、時間残差の新たな定義を導入し、補正値を直接予測するモデルを訓練する。 明示的な補正アプローチは、データ取得を著しく単純化し、線形性を改善し、タイミング性能を向上させる。
• 参考スコア（独自算出の注目度）: 0.9213852038999552
• License:
• Abstract: PET is a functional imaging method that visualizes metabolic processes. TOF information can be derived from coincident detector signals and incorporated into image reconstruction to enhance the SNR. PET detectors are typically assessed by their CTR, but timing performance is degraded by various factors. Research on timing calibration seeks to mitigate these degradations and restore accurate timing information. While many calibration methods use analytical approaches, machine learning techniques have recently gained attention due to their flexibility. We developed a residual physics-based calibration approach that combines prior domain knowledge with the power of machine learning models. This approach begins with an initial analytical calibration addressing first-order skews. The remaining deviations, regarded as residual effects, are used to train machine learning models to eliminate higher-order skews. The key advantage is that the experimenter guides the learning process through the definition of timing residuals. In earlier studies, we developed models that directly predicted the expected time difference, which offered corrections only implicitly (implicit correction models). In this study, we introduce a new definition for timing residuals, enabling us to train models that directly predict correction values (explicit correction models). The explicit correction approach significantly simplifies data acquisition, improves linearity, and enhances timing performance from $371 \pm 6$ ps to $281 \pm 5$ ps for coincidences from 430 keV to 590 keV. Additionally, the new definition reduces model size, making it suitable for high-throughput applications like PET scanners. Experiments were conducted using two detector stacks composed of $4 \times 4$ LYSO:Ce,Ca crystals ($3.8\times 3.8\times 20$ mm$^{3}$) coupled to $4 \times 4$ Broadcom NUV-MT SiPMs and digitized with the TOFPET2 ASIC.
• Abstract（参考訳）: PETは代謝過程を可視化する機能的イメージング法である。 TOF情報は、一致する検出器信号から導出することができ、SNRを強化するために画像再構成に組み込まれる。 PET検出器は一般的にCTRによって評価されるが、タイミング性能は様々な要因によって劣化する。 タイミング校正の研究は、これらの劣化を緩和し、正確なタイミング情報を復元することを目指している。 多くのキャリブレーション手法では解析的アプローチが用いられているが、機械学習技術はその柔軟性のために近年注目を集めている。 我々は、従来のドメイン知識と機械学習モデルのパワーを組み合わせた残差物理に基づくキャリブレーション手法を開発した。 このアプローチは、1次スキューに対処する最初の解析的キャリブレーションから始まる。 残りの偏差は残留効果と見なされ、高次スキューを除去するために機械学習モデルを訓練するために使用される。 鍵となる利点は、実験者が時間残差の定義を通じて学習プロセスを導くことである。 従来の研究では,予測時間差を直接予測し,暗黙的にのみ補正を行うモデル(単純な補正モデル)を開発した。 本研究では、時間残差の新たな定義を導入し、修正値を直接予測するモデルを訓練する(厳密な補正モデル)。 明示的な補正アプローチは、データ取得を著しく単純化し、線形性を改善し、タイミング性能を371 \pm 6$ psから281 \pm 5$ psに改善し、430 keVから590 keVに短縮する。 さらに、新しい定義ではモデルのサイズが小さくなり、PETスキャナーのような高スループットアプリケーションに適している。 4 \times 4$ LYSO:Ce,Ca 結晶 (3.8\times 3.8\times 20$ mm$^{3}$) を4 \times 4$ Broadcom NUV-MT SiPM に結合し、TOFPET2 ASIC でデジタル化された2つの検出器スタックを用いて実験を行った。

関連論文リスト

• NUDGE: Lightweight Non-Parametric Fine-Tuning of Embeddings for Retrieval [0.7646713951724011]
  既存のアプローチは、事前訓練されたモデル自体を微調整するか、より効率的に、事前訓練されたモデルの出力を変換するためにアダプタモデルを訓練する。 NUDGEは、新しい非パラメトリック埋め込みファインチューニングアプローチのファミリーである。 NUDGEは、$k$-NN検索の精度を最大化するために、データレコードの埋め込みを直接修正する。
  論文  参考訳（メタデータ） (2024-09-04T00:10:36Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Improved Techniques for Training Consistency Models [13.475711217989975]
  本稿では, 蒸留なしでデータから直接一貫性モデルを学習する, 整合性トレーニングのための改良手法を提案する。 整合性学習目的のための対数正規雑音スケジュールを提案し、トレーニングの繰り返し回数毎に全離散化ステップを2倍にすることを提案する。 これらの修正により、一貫性モデルは1回のサンプリングステップでCIFAR-10で2.51と3.25のFIDスコア、ImageNetで64ドルをそれぞれ達成できる。
  論文  参考訳（メタデータ） (2023-10-22T05:33:38Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Improving the Timing Resolution of Positron Emission Tomography Detectors Using Boosted Learning -- A Residual Physics Approach [0.4999814847776097]
  本研究は,機械学習(ML)と残差物理を用いた検出器最適化の新しい多用途手法を提案する。 ポジトロン・エミッション・トモグラフィー (PET) の概念を適用し, 一致時間分解能(CTR)の向上を目的とした。 臨床的に有意な19mmの検出器ではCTRを有意に改善し(20%以上)、185 ps (450-550 keV) のCTRに到達した。
  論文  参考訳（メタデータ） (2023-02-03T12:10:24Z)
• AdaFocal: Calibration-aware Adaptive Focal Loss [8.998525155518836]
  焦点損失のあるトレーニングは、クロスエントロピーよりもキャリブレーションが優れている。 AdaFocal と呼ばれる適応型焦点損失を校正する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T20:19:24Z)
• A Close Look into the Calibration of Pre-trained Language Models [56.998539510508515]
  事前訓練された言語モデル(PLM)は、予測の不確かさを確実に見積もることに失敗する可能性がある。 トレーニングにおけるPLMの校正性能の動的変化について検討する。 最近提案された2つの学習可能な手法を拡張して、モデルを直接収集し、合理的な信頼度を推定する。
  論文  参考訳（メタデータ） (2022-10-31T21:31:07Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Recurrent Glimpse-based Decoder for Detection with Transformer [85.64521612986456]
  本稿では,Recurrent Glimpse-based deoder (REGO)について紹介する。 特に、REGOは多段階のリカレント処理構造を用いて、DETRの注目が徐々に前景オブジェクトに焦点を合わせるのを助ける。 REGOは、異なるDETR検出器の性能を最大7%向上させる。
  論文  参考訳（メタデータ） (2021-12-09T00:29:19Z)
• Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
  オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。 本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。 その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-22T18:59:15Z)

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。