論文の概要: MDAA-Diff: CT-Guided Multi-Dose Adaptive Attention Diffusion Model for PET Denoising

• arxiv url: http://arxiv.org/abs/2505.05112v1
• Date: Thu, 08 May 2025 10:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.844915
• Title: MDAA-Diff: CT-Guided Multi-Dose Adaptive Attention Diffusion Model for PET Denoising
• Title（参考訳）: MDAA-Diff:CTガイドによるPET用多次元適応注意拡散モデル
• Authors: Xiaolong Niu, Zanting Ye, Xu Han, Yanchao Huang, Hao Sun, Hubing Wu, Lijun Lu,
• Abstract要約: そこで本研究では,多線量PET復調のための新しいCT-Guided Multi-Dose Adaptive Attention Denoising Diffusion Model (MDAA-Diff)を提案する。 提案手法は,低用量条件下での消音性能を向上させるために,解剖学的ガイダンスと線量レベル適応を統合した。
• 参考スコア（独自算出の注目度）: 10.535083130484706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acquiring high-quality Positron Emission Tomography (PET) images requires administering high-dose radiotracers, which increases radiation exposure risks. Generating standard-dose PET (SPET) from low-dose PET (LPET) has become a potential solution. However, previous studies have primarily focused on single low-dose PET denoising, neglecting two critical factors: discrepancies in dose response caused by inter-patient variability, and complementary anatomical constraints derived from CT images. In this work, we propose a novel CT-Guided Multi-dose Adaptive Attention Denoising Diffusion Model (MDAA-Diff) for multi-dose PET denoising. Our approach integrates anatomical guidance and dose-level adaptation to achieve superior denoising performance under low-dose conditions. Specifically, this approach incorporates a CT-Guided High-frequency Wavelet Attention (HWA) module, which uses wavelet transforms to separate high-frequency anatomical boundary features from CT images. These extracted features are then incorporated into PET imaging through an adaptive weighted fusion mechanism to enhance edge details. Additionally, we propose the Dose-Adaptive Attention (DAA) module, a dose-conditioned enhancement mechanism that dynamically integrates dose levels into channel-spatial attention weight calculation. Extensive experiments on 18F-FDG and 68Ga-FAPI datasets demonstrate that MDAA-Diff outperforms state-of-the-art approaches in preserving diagnostic quality under reduced-dose conditions. Our code is publicly available.
• Abstract（参考訳）: 高画質のポジトロン放射トモグラフィ(PET)画像を取得するには、放射線被曝リスクを増大させる高線量放射線を投与する必要がある。 低用量PET(LPET)から標準用量PET(SPET)を生成することは、潜在的な解決策となっている。 しかし, 従来の研究は, 患者間変動による線量応答の相違, CT画像からの相補的解剖的制約の2つの重要な要因を無視し, 単回低用量PET脱ノイズに重点を置いてきた。 そこで本研究では, マルチドーズPETデノイングのための新しいCT-Guided Multi-Dose Adaptive Attention Denoising Diffusion Model (MDAA-Diff)を提案する。 提案手法は,低用量条件下での消音性能を向上させるために,解剖学的ガイダンスと線量レベル適応を統合した。 これはウェーブレット変換を用いて、CT画像から高周波解剖学的境界特徴を分離するものである。 これらの抽出された特徴は、エッジの詳細を強化するために、適応重み付け融合機構を通じてPETイメージングに組み込まれる。 さらに,線量レベルをチャネル空間の注意重み計算に動的に統合する線量条件拡張機構であるDose-Adaptive Attention (DAA)モジュールを提案する。 18F-FDGと68Ga-FAPIデータセットの大規模な実験により、MDAA-Diffは減量条件下での診断品質の保存における最先端のアプローチよりも優れていることが示された。 私たちのコードは公開されています。

関連論文リスト

• Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet [3.83243615095535]
  近年の深層学習に基づく denoising 手法は,臨床環境の多様性に適応する上で課題に直面している。 全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T03:06:47Z)
• 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)
• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• 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)
• CG-3DSRGAN: A classification guided 3D generative adversarial network for image quality recovery from low-dose PET images [10.994223928445589]
  PET画像では, トレーサー線量による高放射能が主な関心事である。 投与量を減少させると、画像の質が不十分になる。 CNNを用いた低線量PET合成法が開発されている。
  論文  参考訳（メタデータ） (2023-04-03T05:39:02Z)
• 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)
• 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)

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。