論文の概要: PET Tracer Separation Using Conditional Diffusion Transformer with Multi-latent Space Learning

• arxiv url: http://arxiv.org/abs/2506.16934v1
• Date: Fri, 20 Jun 2025 11:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.433471
• Title: PET Tracer Separation Using Conditional Diffusion Transformer with Multi-latent Space Learning
• Title（参考訳）: 多遅延空間学習を用いた条件拡散変換器を用いたPETトレーサ分離
• Authors: Bin Huang, Feihong Xu, Xinchong Shi, Shan Huang, Binxuan Li, Fei Li, Qiegen Liu,
• Abstract要約: PETトレーサ分離のためのテクスチャ条件拡散変圧器モデル(MS-CDT)を提案する。 我々の知る限りでは、PET画像におけるトレーサー分離のためのテクスチャ条件とマルチラテント空間を用いた最初の試みである。 実験結果から,MS-CDTは画像品質と臨床関連情報の保存という点で競争力を発揮したことが示唆された。
• 参考スコア（独自算出の注目度）: 15.40743587518343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In clinical practice, single-radiotracer positron emission tomography (PET) is commonly used for imaging. Although multi-tracer PET imaging can provide supplementary information of radiotracers that are sensitive to physiological function changes, enabling a more comprehensive characterization of physiological and pathological states, the gamma-photon pairs generated by positron annihilation reactions of different tracers in PET imaging have the same energy, making it difficult to distinguish the tracer signals. In this study, a multi-latent space guided texture conditional diffusion transformer model (MS-CDT) is proposed for PET tracer separation. To the best of our knowledge, this is the first attempt to use texture condition and multi-latent space for tracer separation in PET imaging. The proposed model integrates diffusion and transformer architectures into a unified optimization framework, with the novel addition of texture masks as conditional inputs to enhance image details. By leveraging multi-latent space prior derived from different tracers, the model captures multi-level feature representations, aiming to balance computational efficiency and detail preservation. The texture masks, serving as conditional guidance, help the model focus on salient structural patterns, thereby improving the extraction and utilization of fine-grained image textures. When combined with the diffusion transformer backbone, this conditioning mechanism contributes to more accurate and robust tracer separation. To evaluate its effectiveness, the proposed MS-CDT is compared with several advanced methods on two types of 3D PET datasets: brain and chest scans. Experimental results indicate that MS-CDT achieved competitive performance in terms of image quality and preservation of clinically relevant information. Code is available at: https://github.com/yqx7150/MS-CDT.
• Abstract（参考訳）: 臨床では、単線ポジトロン断層撮影(PET)が一般的に画像撮影に用いられている。 マルチトラックPETイメージングは、生理機能の変化に敏感な放射線軌跡の補足情報を提供し、生理的および病理学的状態のより包括的な評価を可能にするが、PETイメージングにおける異なるトレーサの陽電子消滅反応によって生成されたガンマ-フォトン対は同じエネルギーを持ち、トレーサ信号の識別が困難である。 本研究では, PETトレーサ分離のための多層空間誘導型テクスチャ型拡散変圧器モデル (MS-CDT) を提案する。 我々の知る限りでは、PET画像におけるトレーサー分離のためのテクスチャ条件とマルチラテント空間を用いた最初の試みである。 提案モデルでは,拡散・変圧器アーキテクチャを統一最適化フレームワークに統合し,テクスチャマスクを条件入力として新たに追加し,画像の詳細性を高める。 異なるトレーサから派生した多重遅延空間を利用することで、計算効率と詳細保存のバランスをとることを目的として、マルチレベル特徴表現をキャプチャする。 テクスチャマスクは、条件付きガイダンスとして、モデルが健全な構造パターンに焦点を合わせるのに役立ち、きめ細かい画像テクスチャの抽出と利用を改善する。 拡散変圧器のバックボーンと組み合わせると、この条件付け機構はより正確で堅牢なトレーサ分離に寄与する。 その有効性を評価するため,提案したMS-CDTは,脳と胸部スキャンの2種類のPETデータセットに対して,いくつかの高度な手法と比較した。 実験結果から,MS-CDTは画像品質と臨床関連情報の保存という点で競争力を発揮したことが示唆された。 コードは、https://github.com/yqx7150/MS-CDT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)
• 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)
• 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)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Hyper-Connected Transformer Network for Multi-Modality PET-CT Segmentation [16.999643199612244]
  PET-CT画像のコラーニングは, 自動腫瘍セグメンテーションの基本的な要件である。 マルチモダリティPET-CT画像のためのハイパーコネクテッドフュージョンとトランスフォーマネットワーク(TN)を統合した超コネクテッドトランスフォーマネットワークを提案する。 以上の結果から, HCTは既存の方法と比較して, セグメンテーション精度が向上したことが明らかとなった。
  論文  参考訳（メタデータ） (2022-10-28T00:03:43Z)

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。