論文の概要: PETNet -- Coincident Particle Event Detection using Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2504.06730v1
- Date: Wed, 09 Apr 2025 09:38:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-10 16:14:43.140308
- Title: PETNet -- Coincident Particle Event Detection using Spiking Neural Networks
- Title（参考訳）: スパイクニューラルネットワークを用いたPETNet-共起粒子イベント検出
- Authors: Jan Debus, Charlotte Debus, Günther Dissertori, Markus Götz,
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークに代わる、生物学的に可塑性で低エネルギーである、という約束を掲げている。
本稿では,ポジトロンエミッショントモグラフィー(PET)データにおける光子偶然の検出にSNNを活用する可能性について検討する。
- 参考スコア（独自算出の注目度）: 0.08999666725996973
- License:
- Abstract: Spiking neural networks (SNN) hold the promise of being a more biologically plausible, low-energy alternative to conventional artificial neural networks. Their time-variant nature makes them particularly suitable for processing time-resolved, sparse binary data. In this paper, we investigate the potential of leveraging SNNs for the detection of photon coincidences in positron emission tomography (PET) data. PET is a medical imaging technique based on injecting a patient with a radioactive tracer and detecting the emitted photons. One central post-processing task for inferring an image of the tracer distribution is the filtering of invalid hits occurring due to e.g. absorption or scattering processes. Our approach, coined PETNet, interprets the detector hits as a binary-valued spike train and learns to identify photon coincidence pairs in a supervised manner. We introduce a dedicated multi-objective loss function and demonstrate the effects of explicitly modeling the detector geometry on simulation data for two use-cases. Our results show that PETNet can outperform the state-of-the-art classical algorithm with a maximal coincidence detection $F_1$ of 95.2%. At the same time, PETNet is able to predict photon coincidences up to 36 times faster than the classical approach, highlighting the great potential of SNNs in particle physics applications.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークに代わる、生物学的に可塑性で低エネルギーである、という約束を掲げている。
その時変特性は、特に時間分解されたスパースバイナリデータを処理するのに適している。
本稿では,ポジトロンエミッショントモグラフィー(PET)データにおける光子偶然の検出にSNNを活用する可能性について検討する。
PETは、患者に放射性トレーサーを注入し、発光した光子を検出する医療画像技術である。
トレーサ分布の画像を推測する中心的な後処理タスクは、eg吸収または散乱プロセスによって発生する不正なヒットのフィルタリングである。
我々のアプローチはPETNetと呼ばれ、検出器ヒットを2値スパイクトレインとして解釈し、光子偶然のペアを教師付きで識別することを学ぶ。
専用多目的損失関数を導入し、2つのユースケースのシミュレーションデータに検出器幾何を明示的にモデル化する効果を実証する。
この結果から,PETNetは,最大一致検出$F_1$ 95.2%で,最先端の古典的アルゴリズムより優れていることがわかった。
それと同時にPETNetは、古典的アプローチの最大36倍の速さで光子偶然を予測でき、素粒子物理学の応用におけるSNNの大きな可能性を浮き彫りにしている。
関連論文リスト
- st-DTPM: Spatial-Temporal Guided Diffusion Transformer Probabilistic Model for Delayed Scan PET Image Prediction [6.812140684449128]
いくつかの研究によると、二重時間PET画像は悪性腫瘍と良性腫瘍を区別する可能性を秘めている。
両時間PET画像予測問題を解くために, 時空間誘導拡散変換器確率モデル(st-DTPM)を提案する。
論文 参考訳（メタデータ） (2024-10-30T06:37:55Z) - Weakly-Supervised PET Anomaly Detection using Implicitly-Guided Attention-Conditional Counterfactual Diffusion Modeling: a Multi-Center, Multi-Cancer, and Multi-Tracer Study [0.391955592784358]
PET画像(IgCONDA-PET)における異常検出のための弱教師付きIgCONDA拡散モデルを提案する。
トレーニングは、アテンションモジュールを介してイメージクラスラベル(健康対不健康)に条件付けされる。
我々は、不健康な入力画像の合成的で健全なバージョンを生成することにより、「不健康な」ドメイン翻訳を容易にする対物生成を行う。
論文 参考訳（メタデータ） (2024-04-30T23:09:54Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2023-07-20T16:00:19Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - An out-of-distribution discriminator based on Bayesian neural network
epistemic uncertainty [0.19573380763700712]
ベイズニューラルネットワーク(Bayesian Neural Network, BNN)は、不確実性を定量化するための組み込み能力を備えた、重要なタイプのニューラルネットワークである。
本稿では,BNNにおける失語症およびてんかんの不確実性とその計算方法について論じる。
論文 参考訳（メタデータ） (2022-10-18T21:15:33Z) - The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。
これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。
このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。
我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文 参考訳（メタデータ） (2022-02-27T23:12:43Z) - Towards Lower-Dose PET using Physics-Based Uncertainty-Aware Multimodal
Learning with Robustness to Out-of-Distribution Data [2.624902795082451]
PET線量や取得時間を減らすことで光子数が少なくなり、画質が低下する。
近年のディープ・ニューラル・ネットワーク(DNN)による画像間翻訳手法により,低品質PET画像のマッピングが可能となった。
我々のフレームワークであるSuDNNは、低線量/低線量PET画像の形でマルチモーダル入力を用いて標準線量PET画像を推定する。
論文 参考訳（メタデータ） (2021-07-21T06:18:10Z) - ASL to PET Translation by a Semi-supervised Residual-based
Attention-guided Convolutional Neural Network [3.2480194378336464]
動脈スピンラベリング(ASL)MRIは、脳の血液力学的測定のための非侵襲的、非放射能的、および比較的安価なイメージング技術です。
本稿では,ASLをPET画像に変換する畳み込みニューラルネットワーク(CNN)モデルを提案する。
論文 参考訳（メタデータ） (2021-03-08T22:06:02Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳（メタデータ） (2020-03-09T08:16:16Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。