論文の概要: Posterior-Mean Denoising Diffusion Model for Realistic PET Image Reconstruction

• arxiv url: http://arxiv.org/abs/2503.08546v1
• Date: Tue, 11 Mar 2025 15:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:17:35.562947
• Title: Posterior-Mean Denoising Diffusion Model for Realistic PET Image Reconstruction
• Title（参考訳）: リアリスティックPET画像再構成のための後平均拡散モデル
• Authors: Yiran Sun, Osama Mawlawi,
• Abstract要約: Posterior-Mean Denoising Diffusion Model (PMDM-PET)は、最近確立された数学的理論に基づく新しいアプローチである。 PMDM-PETは,まず最小平均二乗誤差(MSE)の下で後平均PETの予測値を取得し,その分布を地上Truth PET画像の分布に最適に伝達する。 実験結果から,PMDM-PETは最小歪みと最適知覚品質を有する現実的なPET画像を生成するだけでなく,定性的視覚検査と定量的ピクセルワイド測定の両方において,最新の5つのSOTA(State-of-the-art (SOTA) DLベースラインを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.7366405857677227
• License:
• Abstract: Positron Emission Tomography (PET) is a functional imaging modality that enables the visualization of biochemical and physiological processes across various tissues. Recently, deep learning (DL)-based methods have demonstrated significant progress in directly mapping sinograms to PET images. However, regression-based DL models often yield overly smoothed reconstructions lacking of details (i.e., low distortion, low perceptual quality), whereas GAN-based and likelihood-based posterior sampling models tend to introduce undesirable artifacts in predictions (i.e., high distortion, high perceptual quality), limiting their clinical applicability. To achieve a robust perception-distortion tradeoff, we propose Posterior-Mean Denoising Diffusion Model (PMDM-PET), a novel approach that builds upon a recently established mathematical theory to explore the closed-form expression of perception-distortion function in diffusion model space for PET image reconstruction from sinograms. Specifically, PMDM-PET first obtained posterior-mean PET predictions under minimum mean square error (MSE), then optimally transports the distribution of them to the ground-truth PET images distribution. Experimental results demonstrate that PMDM-PET not only generates realistic PET images with possible minimum distortion and optimal perceptual quality but also outperforms five recent state-of-the-art (SOTA) DL baselines in both qualitative visual inspection and quantitative pixel-wise metrics PSNR (dB)/SSIM/NRMSE.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)は、様々な組織にわたる生化学的および生理的過程の可視化を可能にする機能的な画像モダリティである。 近年, 深層学習(DL)に基づく手法は, PET画像へのシングラムの直接マッピングにおいて大きな進歩を見せている。 しかし、回帰ベースのDLモデルは細部(低歪み、低知覚品質)を欠く過度にスムーズな再構築をもたらすことが多く、一方、GANベースの後続サンプリングモデルは予測において望ましくないアーティファクト(高歪み、高知覚品質)を導入し、臨床応用性を制限する傾向にある。 近年確立された数学的理論に基づいて,PET画像再構成のための拡散モデル空間における知覚歪関数の閉形式表現を探索する手法であるPMDM-PET(Posterior-Mean Denoising Diffusion Model)を提案する。 特に,PMDM-PETは,まず最小平均二乗誤差(MSE)の下で後平均PETの予測値を取得し,その分布を地上Truth PET画像の分布に最適に伝達する。 実験の結果,PMDM-PETは最小歪みと最適知覚品質を有する現実的なPET画像を生成するだけでなく,定性的視覚検査と定量画素単位のPSNR(dB)/SSIM/NRMSEの両方において,最新の5つのSOTA(State-of-the-art)DLベースラインよりも優れていた。

関連論文リスト

• End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms [43.13562515963306]
  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。
  論文  参考訳（メタデータ） (2024-12-04T14:47:27Z)
• Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction [7.320877150436869]
  低線量PET画像の再構成品質を高めるために,JCP(Joint compact prior)により導かれる拡散変圧器モデルを提案する。 DTMは拡散モデルの強力な分布マッピング能力と変圧器の容量を組み合わせて長距離依存を捉える。 本手法は放射線曝露リスクを軽減するだけでなく,早期診断や患者管理のためのPETイメージングツールも提供する。
  論文  参考訳（メタデータ） (2024-07-01T03:54:43Z)
• 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)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• 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)
• Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image Denoising [0.5999777817331317]
  ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。 DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:55:00Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)

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。