論文の概要: Self is the Best Learner: CT-free Ultra-Low-Dose PET Organ Segmentation via Collaborating Denoising and Segmentation Learning

• arxiv url: http://arxiv.org/abs/2503.03786v1
• Date: Wed, 05 Mar 2025 02:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:45:24.161377
• Title: Self is the Best Learner: CT-free Ultra-Low-Dose PET Organ Segmentation via Collaborating Denoising and Segmentation Learning
• Title（参考訳）: 自己は最高の学習者である:CTのない超低線量PETオルガニストセグメンテーションと協調的認知とセグメンテーション学習
• Authors: Zanting Ye, Xiaolong Niu, Xuanbin Wu, Wantong Lu, Lijun Lu,
• Abstract要約: ポジトロン・エミッション・トモグラフィ(PET)における臓器の分画は、がんの定量化において重要な役割を担っている。 低線量PET(LDPET)は、放射線被曝を減らすことでより安全な代替手段を提供する。 既存のPETオルガンセグメンテーション法はCTアノテーションに依存しており、モダリティミスマッチの問題を見落としている。 本研究では,新しいCTフリー超LDPET臓器分割パイプラインであるLDOSを提案する。
• 参考スコア（独自算出の注目度）: 0.9887664171504368
• License:
• Abstract: Organ segmentation in Positron Emission Tomography (PET) plays a vital role in cancer quantification. Low-dose PET (LDPET) provides a safer alternative by reducing radiation exposure. However, the inherent noise and blurred boundaries make organ segmentation more challenging. Additionally, existing PET organ segmentation methods rely on co-registered Computed Tomography (CT) annotations, overlooking the problem of modality mismatch. In this study, we propose LDOS, a novel CT-free ultra-LDPET organ segmentation pipeline. Inspired by Masked Autoencoders (MAE), we reinterpret LDPET as a naturally masked version of Full-Dose PET (FDPET). LDOS adopts a simple yet effective architecture: a shared encoder extracts generalized features, while task-specific decoders independently refine outputs for denoising and segmentation. By integrating CT-derived organ annotations into the denoising process, LDOS improves anatomical boundary recognition and alleviates the PET/CT misalignments. Experiments demonstrate that LDOS achieves state-of-the-art performance with mean Dice scores of 73.11% (18F-FDG) and 73.97% (68Ga-FAPI) across 18 organs in 5% dose PET. Our code is publicly available.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)における臓器の分画は、がんの定量化において重要な役割を担っている。 低線量PET(LDPET)は、放射線被曝を減らすことでより安全な代替手段を提供する。 しかし、固有のノイズとぼやけた境界により、器官のセグメンテーションはより困難になる。 さらに、既存のPETオルガンセグメンテーション法は、モダリティミスマッチの問題を見越して、CT(Computerd Tomography)アノテーションに依存している。 本研究では,新しいCTフリー超LDPET臓器分割パイプラインであるLDOSを提案する。 Masked Autoencoders (MAE) に触発されて, LDPET をFull-Dose PET (FDPET) のマスク付きバージョンとして再解釈した。 共有エンコーダは一般化された特徴を抽出し、タスク固有のデコーダは独立してデノナイズとセグメンテーションのために出力を洗練する。 CT由来の臓器アノテーションをデノナイジングプロセスに統合することにより、LDOSは解剖学的境界認識を改善し、PET/CTのミスアライメントを緩和する。 実験により、LDOSは平均Diceスコアが73.11% (18F-FDG)、73.97% (68Ga-FAPI) の最先端のパフォーマンスを5%のPETで達成した。 私たちのコードは公開されています。

関連論文リスト

• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Exploring Vanilla U-Net for Lesion Segmentation from Whole-body FDG-PET/CT Scans [16.93163630413171]
  FDG-PETスキャンは代謝情報のみを提供するため、不規則なグルコース消費を伴う健康な組織や良性疾患はがんと誤認される可能性がある。 本稿では,ネットワークアーキテクチャ,データ前処理,データ拡張という3つの側面から,全身FDG-PET/CTスキャンにおける病変分割のためのU-Netの可能性について検討する。 本手法は, AutoPET 2022 チャレンジの予備的, 最終的リーダボードにおいて第1位となる。
  論文  参考訳（メタデータ） (2022-10-14T03:37:18Z)
• Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
  PET/CT画像評価では,腫瘍の自動切除が重要なステップである。 既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。 この制限を克服するために、偽陽性削減ネットワークを導入します。
  論文  参考訳（メタデータ） (2022-09-16T04:01:14Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• 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)
• Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation [17.623576885481747]
  PET/CTボリュームからのリンパ腫の検出とセグメンテーションは外科的適応と放射線治療に不可欠である。 PET/CT融合層を有するUNetを用いた悪性リンパ腫のセグメンテーションモデルを提案する。 Diceスコア0.726で正確なセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2021-08-11T19:24:40Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation [11.622615048002567]
  マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
  論文  参考訳（メタデータ） (2020-07-29T10:27:22Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。