論文の概要: A robust and versatile deep learning model for prediction of the arterial input function in dynamic small animal $\left[^{18}\text{F}\right]$FDG PET imaging

• arxiv url: http://arxiv.org/abs/2507.02367v1
• Date: Thu, 03 Jul 2025 06:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.782252
• Title: A robust and versatile deep learning model for prediction of the arterial input function in dynamic small animal $\left[^{18}\text{F}\right]$FDG PET imaging
• Title（参考訳）: 動的小動物$\left[^{18}\text{F}\right]$FDG PET画像における動脈入力機能の予測のための頑健で汎用的なディープラーニングモデル
• Authors: Christian Salomonsen, Luigi Tommaso Luppino, Fredrik Aspheim, Kristoffer Wickstrøm, Elisabeth Wetzer, Michael Kampffmeyer, Rodrigo Berzaghi, Rune Sundset, Robert Jenssen, Samuel Kuttner,
• Abstract要約: 本研究は,PET画像から直接入力関数を予測する非侵襲的,完全畳み込み型深層学習手法(FC-DLIF)を提案する。 FC−DLIFは、PETシーケンスの体積時間フレームに作用する空間特徴抽出器と、動脈入力関数を予測する時間特徴抽出器とを含む。 我々のディープラーニングに基づく入力機能は、動脈血液サンプリングの非侵襲的で信頼性の高い代替手段を提供する。
• 参考スコア（独自算出の注目度）: 14.501528921071456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic positron emission tomography (PET) and kinetic modeling are pivotal in advancing tracer development research in small animal studies. Accurate kinetic modeling requires precise input function estimation, traditionally achieved via arterial blood sampling. However, arterial cannulation in small animals like mice, involves intricate, time-consuming, and terminal procedures, precluding longitudinal studies. This work proposes a non-invasive, fully convolutional deep learning-based approach (FC-DLIF) to predict input functions directly from PET imaging, potentially eliminating the need for blood sampling in dynamic small-animal PET. The proposed FC-DLIF model includes a spatial feature extractor acting on the volumetric time frames of the PET sequence, extracting spatial features. These are subsequently further processed in a temporal feature extractor that predicts the arterial input function. The proposed approach is trained and evaluated using images and arterial blood curves from [$^{18}$F]FDG data using cross validation. Further, the model applicability is evaluated on imaging data and arterial blood curves collected using two additional radiotracers ([$^{18}$F]FDOPA, and [$^{68}$Ga]PSMA). The model was further evaluated on data truncated and shifted in time, to simulate shorter, and shifted, PET scans. The proposed FC-DLIF model reliably predicts the arterial input function with respect to mean squared error and correlation. Furthermore, the FC-DLIF model is able to predict the arterial input function even from truncated and shifted samples. The model fails to predict the AIF from samples collected using different radiotracers, as these are not represented in the training data. Our deep learning-based input function offers a non-invasive and reliable alternative to arterial blood sampling, proving robust and flexible to temporal shifts and different scan durations.
• Abstract（参考訳）: PET(Dynamic positron emission tomography)と速度論的モデリングは、小型動物研究におけるトレーサー開発研究の進展において重要である。 正確な動力学的モデリングは、伝統的に動脈血液採取によって達成される正確な入力関数の推定を必要とする。 しかし、マウスのような小さな動物の動脈のカンナレーションは、縦断的な研究を前に、複雑な、時間を要する、そして終末的な処置を伴っている。 本研究は,PET画像から直接入力関数を予測する非侵襲的,完全畳み込み型深層学習法(FC-DLIF)を提案する。 提案するFC-DLIFモデルは,PETシーケンスの体積時間フレームに作用する空間特徴抽出器を備え,空間特徴を抽出する。 これらはその後、動脈入力関数を予測する時間的特徴抽出器でさらに処理される。 提案手法は, [$^{18}$F]FDGデータから画像と動脈血行曲線を用いて, クロスバリデーションを用いて訓練し, 評価する。 さらに、このモデル適用性は、2つの追加のラジオトレーサ([$^{18}$F]FDOPA, [$^{68}$Ga]PSMA)を用いて収集した画像データと動脈血流曲線に基づいて評価する。 このモデルはさらに、時間とともに切り替わったデータに基づいて、短いPETスキャンとシフトしたPETスキャンをシミュレートした。 提案したFC-DLIFモデルは,平均二乗誤差と相関について,動脈入力関数を確実に予測する。 さらに FC-DLIF モデルでは, 切り離されたサンプルやシフトしたサンプルからでも動脈入力関数を予測できる。 モデルは、トレーニングデータに表示されないため、異なるラジオトレーサを用いて収集されたサンプルからAIFを予測できない。 我々のディープラーニングに基づく入力機能は、動脈血液サンプリングの非侵襲的で信頼性の高い代替手段を提供する。

関連論文リスト

• Supervised Diffusion-Model-Based PET Image Reconstruction [44.89560992517543]
  PET画像再構成の前兆として拡散モデル (DM) が導入された。 PET再構成のための教師付きDMベースアルゴリズムを提案する。 本手法はPETのポアソン確率モデルの非負性性を強制し,PET画像の広い範囲に適応する。
  論文  参考訳（メタデータ） (2025-06-30T16:39:50Z)
• Machine Learning Derived Blood Input for Dynamic PET Images of Rat Heart [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-21T13:10:44Z)
• Anatomy-constrained modelling of image-derived input functions in dynamic PET using multi-organ segmentation [0.6359529834975265]
  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。
  論文  参考訳（メタデータ） (2025-04-23T21:47:05Z)
• 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)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
  線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。 加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。 高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
  論文  参考訳（メタデータ） (2024-03-13T17:28:20Z)
• Towards Precision Cardiovascular Analysis in Zebrafish: The ZACAF Paradigm [0.9837190842240352]
  ゼブラフィッシュの心臓機能を定量化する枠組みを開発した。 さらに、データ拡張、転送学習、テスト時間拡張を適用して、パフォーマンスを改善しました。
  論文  参考訳（メタデータ） (2024-02-15T01:58:49Z)
• An end-to-end deep learning pipeline to derive blood input with partial volume corrections for automated parametric brain PET mapping [1.3243230917306228]
  dFDG-PETの定量分析における重要な課題は、患者固有の血液入力機能を特徴づけることである。 本研究では内頸動脈からの非侵襲的ディープラーニングモデルに基づく計算手法を提案する。 ICAセグメンテーションのための3次元U-NetベースのICA-netと、モデル修正血液入力関数の導出のためのリカレントニューラルネットワーク(RNN)ベースのMCIF-netを組み合わせたエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-02-05T17:02:30Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Direct Reconstruction of Linear Parametric Images from Dynamic PET Using Nonlocal Deep Image Prior [13.747210115485487]
  PETシングラムからパラメトリック画像を直接推定する直接再構成法が開発されている。 受信回数が限られているため、信号対雑音比(SNR)と直接再構成フレームワークによって生成されたパラメトリック画像の解像度は依然として限られている。 近年,多数の高品質なトレーニングラベルが利用可能である場合に,医用画像復調・復調に教師付き深層学習法がうまく応用されている。
  論文  参考訳（メタデータ） (2021-06-18T21:30:22Z)

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。