論文の概要: A Prior-Guided Joint Diffusion Model in Projection Domain for PET Tracer Conversion

• arxiv url: http://arxiv.org/abs/2506.16733v1
• Date: Fri, 20 Jun 2025 04:05:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.33228
• Title: A Prior-Guided Joint Diffusion Model in Projection Domain for PET Tracer Conversion
• Title（参考訳）: PETトレーサ変換のための投射領域における先行誘導関節拡散モデル
• Authors: Fang Chen, Weifeng Zhang, Xingyu Ai, BingXuan Li, An Li, Qiegen Liu,
• Abstract要約: 18F-fluoro-3,4-dihydroxy-L-phenylalanine (18F-DOPA)は神経内分泌腫瘍や神経疾患に対して高い特異性を示す。 本研究では,18F-FDG PET画像から18F-DOPA PET画像へ投影領域内で変換するPJDMモデルを提案する。
• 参考スコア（独自算出の注目度）: 12.230978040490195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Positron emission tomography (PET) is widely used to assess metabolic activity, but its application is limited by the availability of radiotracers. 18F-labeled fluorodeoxyglucose (18F-FDG) is the most commonly used tracer but shows limited effectiveness for certain tumors. In contrast, 6-18F-fluoro-3,4-dihydroxy-L-phenylalanine (18F-DOPA) offers higher specificity for neuroendocrine tumors and neurological disorders. However, its complex synthesis and limitations in transportation and clinical use hinder widespread adoption. During PET imaging, the sinogram represents a form of raw data acquired by the scanner. Therefore, modeling in projection domain enables more direct utilization of the original information, potentially reducing the accumulation of errors introduced during the image reconstruction process. Inspired by these factors, this study proposes a prior-guided joint diffusion model (PJDM) for transforming 18F-FDG PET images into 18F-DOPA PET images in projection domain. Specifically, a coarse estimation model and a prior refinement model are trained independently. During inference, an initial synthetic 18F-DOPA PET sinogram is generated using a higher-order hybrid sampler. This sinogram is then degraded and serves as an additional condition to guide the iterative refinement process using learned prior. Experimental results demonstrated that PJDM effectively improved both sinogram quality and synthetic outcomes. The code is available at: https://github.com/yqx7150/PJDM.
• Abstract（参考訳）: PET(Positron emission tomography)は代謝活性を評価するために広く用いられているが、その応用は放射性物質の利用によって制限されている。 18F標識フルオロデオキシグルコース(18F-FDG)が最も一般的に使用されるトレーサーであるが、特定の腫瘍に対して有効性は限られている。 対照的に、6-18F-fluoro-3,4-dihydroxy-L-phenylalanine (18F-DOPA)は神経内分泌腫瘍や神経疾患に対して高い特異性を示す。 しかし、その複雑な合成と輸送と臨床利用の制限は広く普及を妨げている。 PETイメージングでは、シングラムはスキャナーが取得した生データの形式を表す。 したがって、プロジェクション領域でのモデリングにより、元の情報をより直接的に利用することができ、画像再構成プロセス中に発生するエラーの蓄積を減らすことができる。 そこで本研究では,18F-FDG PET画像を投影領域における18F-DOPA PET画像に変換するためのPJDMモデルを提案する。 具体的には、粗い推定モデルと事前改善モデルとを独立して訓練する。 推測中、高次ハイブリッドサンプリング装置を用いて、初期合成18F-DOPAPETシングラムを生成する。 このシノグラムはその後劣化し、学習済みの知識を用いて反復的な精錬プロセスを導くための追加条件として機能する。 実験の結果, PJDMはシングラム品質と合成結果の両方を効果的に改善した。 コードは、https://github.com/yqx7150/PJDMで入手できる。

関連論文リスト

• Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [44.89560992517543]
  本稿では,PET-MR スキャンのデータセットから対象特異的なPET画像を生成するための簡易な手法を提案する。 私たちが合成した画像は、被験者のMRスキャンからの情報を保持し、高分解能と解剖学的特徴の保持につながる。 18ドルF]FDGデータセットのシミュレーションと実データを用いて,対象特異的な「擬似PET」画像を用いたパーソナライズされた拡散モデルの事前学習により,低カウントデータによる再構成精度が向上することを示す。
  論文  参考訳（メタデータ） (2025-06-04T10:24:14Z)
• GAN-based synthetic FDG PET images from T1 brain MRI can serve to improve performance of deep unsupervised anomaly detection models [1.1259214300411828]
  我々は、T1強調MRIデータから合成脳(18F)フルオロデオキシグルコース(FDG)PET画像を生成するための異なるGANベースのフレームワークを設計、比較した。 深部非教師付き異常検出(UAD)モデルのトレーニングにおいて,これらの偽PETデータを使用することによるさらなる影響について検討する。 以上の結果から, MR T1からFDG PETへの変換, トランスフォーマーや拡散モデルよりも優れたGANモデルが最適であることが確認された。
  論文  参考訳（メタデータ） (2025-05-12T09:00:03Z)
• 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)
• PET Tracer Conversion among Brain PET via Variable Augmented Invertible Network [8.895830601854534]
  画像投影のためのトレーサ変換可逆ニューラルネットワーク(TC-INN)を開発し,FDG画像を深層学習によりDOPA画像にマッピングする。 実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
  論文  参考訳（メタデータ） (2023-11-01T12:04:33Z)
• 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)
• Amyloid-Beta Axial Plane PET Synthesis from Structural MRI: An Image Translation Approach for Screening Alzheimer's Disease [49.62561299282114]
  定量的に正確な構造MRIから合成アミロイドベータPET画像を生成するために、画像翻訳モデルを実装した。 その結果, 合成PET画像は, 形状, コントラスト, 全体的なSSIMおよびPSNRにおいて, 真実と高い類似性で生成できることが判明した。
  論文  参考訳（メタデータ） (2023-09-01T16:26:42Z)
• 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)
• TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction from Low-Dose Sinograms [45.24575167909925]
  TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。 最先端の手法を質的に、定量的に上回る。 GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
  論文  参考訳（メタデータ） (2023-08-10T06:20:00Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• 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。