論文の概要: Machine Learning Derived Blood Input for Dynamic PET Images of Rat Heart

• arxiv url: http://arxiv.org/abs/2505.15488v1
• Date: Wed, 21 May 2025 13:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.651759
• Title: Machine Learning Derived Blood Input for Dynamic PET Images of Rat Heart
• Title（参考訳）: ラット心臓の動的PET画像に対する機械学習による血液入力
• Authors: Shubhrangshu Debsarkar, Bijoy Kundu,
• Abstract要約: ラット心臓の動的FDG PET画像に対するMCIFと運動速度定数の同時推定のための二重出力モデルを開発した。 半自動セグメンテーションを用いて,IDIFと心筋入力の結合を用いて,テストデータ中のMCIFをトレーニングし,予測するLong-Short-Term Memory (LSTM) セルネットワークを構築した。 モデルミッドポイントは以前の平均正方形誤差(MSE)よりも56.4%改善することができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic FDG PET imaging study of n = 52 rats including 26 control Wistar-Kyoto (WKY) rats and 26 experimental spontaneously hypertensive rats (SHR) were performed using a Siemens microPET and Albira trimodal scanner longitudinally at 1, 2, 3, 5, 9, 12 and 18 months of age. A 15-parameter dual output model correcting for spill over contamination and partial volume effects with peak fitting cost functions was developed for simultaneous estimation of model corrected blood input function (MCIF) and kinetic rate constants for dynamic FDG PET images of rat heart in vivo. Major drawbacks of this model are its dependence on manual annotations for the Image Derived Input Function (IDIF) and manual determination of crucial model parameters to compute MCIF. To overcome these limitations, we performed semi-automated segmentation and then formulated a Long-Short-Term Memory (LSTM) cell network to train and predict MCIF in test data using a concatenation of IDIFs and myocardial inputs and compared them with reference-modeled MCIF. Thresholding along 2D plane slices with two thresholds, with T1 representing high-intensity myocardium, and T2 representing lower-intensity rings, was used to segment the area of the LV blood pool. The resultant IDIF and myocardial TACs were used to compute the corresponding reference (model) MCIF for all data sets. The segmented IDIF and the myocardium formed the input for the LSTM network. A k-fold cross validation structure with a 33:8:11 split and 5 folds was utilized to create the model and evaluate the performance of the LSTM network for all datasets. To overcome the sparseness of data as time steps increase, midpoint interpolation was utilized to increase the density of datapoints beyond time = 10 minutes. The model utilizing midpoint interpolation was able to achieve a 56.4% improvement over previous Mean Squared Error (MSE).
• Abstract（参考訳）: Siemens microPETとAlbira trimodal scannerを縦に1, 2, 3, 5, 9, 9, 12, 18カ月で使用し, コントロールWistar-Kyoto(WKY)ラット26例と実験的自然発症高血圧ラット(SHR)26例を含むn=52ラットの動的FDG PET画像解析を行った。 ラット心の動的FDG PET画像に対するMCIFと運動速度定数を同時推定するために, 汚染汚染に対する15パラメータ二重出力モデルとピーク適合コスト関数による部分体積効果の補正法を開発した。 このモデルの主な欠点は、画像導出入力関数(IDIF)のマニュアルアノテーションに依存し、MCIFを計算するために重要なモデルパラメータを手動で決定することである。 これらの制限を克服するため,我々はセミオートマチックセグメンテーションを行い,テストデータ中のMCIFのトレーニングと予測を行うLong-Short-Term Memory (LSTM) セルネットワークを構築し,参照型MCIFと比較した。 T1は高強度心筋、T2は低強度リング、T2はLV血液プールの面積を区切るために2次元平面スライスに沿って保持した。 結果として得られたIDIFと心筋TACは,すべてのデータセットに対して対応する参照(モデル)MCIFを計算するのに用いられた。 セグメント化されたIDIFと心筋はLSTMネットワークの入力を形成した。 33:8:11の分割と5の折り畳みを持つk-foldクロスバリデーション構造を用いて、モデルを作成し、全てのデータセットに対してLSTMネットワークの性能を評価する。 時間ステップが増加するにつれてデータのスパース性を克服するため、中間点補間を用いてデータポイントの密度を10分以上増加させた。 中点補間を利用したモデルは、以前の平均正方形誤差(MSE)よりも56.4%改善することができた。

関連論文リスト

• Cardioformer: Advancing AI in ECG Analysis with Multi-Granularity Patching and ResNet [0.6919386619690135]
  Cardioformerは、新しいマルチグラニュラリティハイブリッドモデルである。 チャネル間のパッチ、階層的残差学習、および2段階の自己認識機構を統合している。 一貫して4つの最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-08T16:44:21Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
  本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。 マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
  論文  参考訳（メタデータ） (2024-07-25T22:56:21Z)
• Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
  拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。 本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T19:08:40Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention [6.499725732124126]
  本研究は,びまん性大細胞型B細胞リンパ腫(DLBCL)の正確な分節法を開発することを目的とする。 シフトウインドウ変換器とマルチスケール情報融合(MSIF)モジュールを用いた3次元デュアルブランチエンコーダセグメンテーション法を提案する。 このモデルは5倍のクロスバリデーションを用いて165名のDLBCL患者のデータセットを用いて訓練および検証を行った。
  論文  参考訳（メタデータ） (2024-02-04T05:25:12Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。