論文の概要: Anatomy-constrained modelling of image-derived input functions in dynamic PET using multi-organ segmentation
- arxiv url: http://arxiv.org/abs/2504.17114v1
- Date: Wed, 23 Apr 2025 21:47:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.18245
- Title: Anatomy-constrained modelling of image-derived input functions in dynamic PET using multi-organ segmentation
- Title（参考訳）: 多臓器セグメンテーションを用いた動的PETにおける画像入力関数の解剖拘束モデル
- Authors: Valentin Langer, Kartikay Tehlan, Thomas Wendler,
- Abstract要約: 動的ポジトロン放射トモグラフィ(PET)における[$18$F]FDG分布の正確な速度論的解析には、画像由来の入力関数(IDIF)の解剖学的に制約されたモデリングが必要である。
本研究は,大動脈,門脈,肺動脈,尿管からのIDIFを統合する多臓器セグメンテーションに基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.6359529834975265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate kinetic analysis of [$^{18}$F]FDG distribution in dynamic positron emission tomography (PET) requires anatomically constrained modelling of image-derived input functions (IDIFs). Traditionally, IDIFs are obtained from the aorta, neglecting anatomical variations and complex vascular contributions. This study proposes a multi-organ segmentation-based approach that integrates IDIFs from the aorta, portal vein, pulmonary artery, and ureters. Using high-resolution CT segmentations of the liver, lungs, kidneys, and bladder, we incorporate organ-specific blood supply sources to improve kinetic modelling. Our method was evaluated on dynamic [$^{18}$F]FDG PET data from nine patients, resulting in a mean squared error (MSE) reduction of $13.39\%$ for the liver and $10.42\%$ for the lungs. These initial results highlight the potential of multiple IDIFs in improving anatomical modelling and fully leveraging dynamic PET imaging. This approach could facilitate the integration of tracer kinetic modelling into clinical routine.
- Abstract（参考訳）: 動的ポジトロン放射トモグラフィ(PET)における[$^{18}$F]FDG分布の正確な速度論的解析には、画像由来の入力関数(IDIF)の解剖学的に制約されたモデリングが必要である。
伝統的に、IDIFは大動脈から得られ、解剖学的変異と複雑な血管貢献を無視している。
本研究は,大動脈,門脈,肺動脈,尿管からのIDIFを統合する多臓器セグメンテーションに基づくアプローチを提案する。
肝臓,肺,腎臓,膀胱の高分解能CTセグメントを用いて,臓器特異的な血液供給源を組み込んで運動学的モデリングを改善する。
本法は,9例のダイナミックな[$^{18}$F]FDG PETデータを用いて評価し,肝臓の平均2乗誤差(MSE)は13.39 %,肺は10.42 %であった。
これらの最初の結果は、解剖学的モデリングを改善し、動的PETイメージングを完全に活用する複数のIDIFの可能性を強調した。
このアプローチは、トレーサーの速度論的モデリングを臨床ルーチンに統合するのに役立つかもしれない。
関連論文リスト
- Physiological neural representation for personalised tracer kinetic parameter estimation from dynamic PET [0.7147474215053953]
本稿では,暗黙的ニューラル表現(INR)に基づく生理的ニューラル表現を提案する。
連続関数を学習するINRは、データ要求を低減した効率的な高分解能パラメトリックイメージングを可能にする。
以上の結果から,INRsが腫瘍の性状,セグメンテーション,予後評価に応用できるパーソナライズされたデータ効率トレーサの速度論的モデリングに有用であることが示唆された。
論文 参考訳（メタデータ） (2025-04-23T22:12:04Z) - Dynamic PET Image Prediction Using a Network Combining Reversible and Irreversible Modules [13.706949780214535]
本研究では,動的PET画像のフレーム予測手法を提案する。
ネットワークは、動的PET画像の初期フレームに基づいて、運動パラメータ画像を予測することができる。
論文 参考訳（メタデータ） (2024-10-30T03:52:21Z) - KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳（メタデータ） (2024-09-19T14:21:38Z) - PEMMA: Parameter-Efficient Multi-Modal Adaptation for Medical Image Segmentation [5.056996354878645]
CTとPETの両方のスキャンが利用可能であれば、それらをセグメンテーションモデルへの入力の2つのチャネルとして組み合わせることが一般的である。
この方法は、トレーニングと推論の両方のスキャンタイプを必要とし、PETスキャンの可用性が制限されているため、課題を提起する。
変圧器を用いたセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-21T16:29:49Z) - Revolutionizing Disease Diagnosis with simultaneous functional PET/MR and Deeply Integrated Brain Metabolic, Hemodynamic, and Perfusion Networks [40.986069119392944]
マルチモーダルなMiXture-of-expertsアライメント再構成とモデルであるMX-ARMを提案する。
モダリティは分離可能で交換可能であり、異なる多層パーセプトロン(「専門家の混合」)を学習可能な重みを通して動的に割り当て、異なるモダリティからそれぞれの表現を学ぶ。
論文 参考訳（メタデータ） (2024-03-29T08:47:49Z) - 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) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。
提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
論文 参考訳（メタデータ） (2022-09-16T10:49:53Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Translational Lung Imaging Analysis Through Disentangled Representations [0.0]
本稿では,異なる動物モデルの画像から絡み合った情報を抽出できるモデルと,その画像を生成するメカニズムについて述べる。
結核に感染した病理肺の画像から最適化され、(a)入力スライスからその位置を推定し、その属する動物モデル、そしてさらには、肺全体を覆うマスクを生成することができる。
論文 参考訳（メタデータ） (2022-03-03T11:56:20Z) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳（メタデータ） (2020-12-10T15:56:08Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z)
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。