論文の概要: ALL-PET: A Low-resource and Low-shot PET Foundation Model in the Projection Domain

• arxiv url: http://arxiv.org/abs/2509.09130v1
• Date: Thu, 11 Sep 2025 04:03:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.221567
• Title: ALL-PET: A Low-resource and Low-shot PET Foundation Model in the Projection Domain
• Title（参考訳）: ALL-PET:プロジェクションドメインにおける低リソース・低ショットPETファンデーションモデル
• Authors: Bin Huang, Kang Chen, Bingxuan Li, Huafeng Liu, Qiegen Liu,
• Abstract要約: ALL-PETはプロジェクションドメインで直接動作する低解像度の低ショットPETファンデーションモデルである。 ラドンマスク増強戦略 (RMAS) を設計し, 構造的に多様なトレーニングサンプルを20万以上生成する。 本稿では,原投影データにおける病変関連領域を増大させるパラメータフリーな幾何学駆動機構である透明医療注意(TMA)を導入する。
• 参考スコア（独自算出の注目度）: 33.678018449132715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building large-scale foundation model for PET imaging is hindered by limited access to labeled data and insufficient computational resources. To overcome data scarcity and efficiency limitations, we propose ALL-PET, a low-resource, low-shot PET foundation model operating directly in the projection domain. ALL-PET leverages a latent diffusion model (LDM) with three key innovations. First, we design a Radon mask augmentation strategy (RMAS) that generates over 200,000 structurally diverse training samples by projecting randomized image-domain masks into sinogram space, significantly improving generalization with minimal data. This is extended by a dynamic multi-mask (DMM) mechanism that varies mask quantity and distribution, enhancing data diversity without added model complexity. Second, we implement positive/negative mask constraints to embed strict geometric consistency, reducing parameter burden while preserving generation quality. Third, we introduce transparent medical attention (TMA), a parameter-free, geometry-driven mechanism that enhances lesion-related regions in raw projection data. Lesion-focused attention maps are derived from coarse segmentation, covering both hypermetabolic and hypometabolic areas, and projected into sinogram space for physically consistent guidance. The system supports clinician-defined ROI adjustments, ensuring flexible, interpretable, and task-adaptive emphasis aligned with PET acquisition physics. Experimental results show ALL-PET achieves high-quality sinogram generation using only 500 samples, with performance comparable to models trained on larger datasets. ALL-PET generalizes across tasks including low-dose reconstruction, attenuation correction, delayed-frame prediction, and tracer separation, operating efficiently with memory use under 24GB.
• Abstract（参考訳）: PET画像のための大規模基盤モデルの構築は,ラベル付きデータへの限られたアクセスと不十分な計算資源によって妨げられる。 データ不足と効率の限界を克服するため,プロジェクション領域で直接動作する低リソース・低ショットPET基盤モデルであるALL-PETを提案する。 ALL-PETは3つの重要な革新を伴う潜在拡散モデル(LDM)を利用する。 まず、ランダム化された画像ドメインマスクをシングラム空間に投影することで、20万以上の構造的多様なトレーニングサンプルを生成するRadeon mask augmentation Strategy(RMAS)を設計し、最小限のデータによる一般化を著しく改善する。 これは、マスクの量や分布を変える動的マルチマスク(DMM)機構によって拡張され、モデルの複雑さを増すことなくデータの多様性を向上させる。 第二に、厳密な幾何整合性を埋め込むために正負のマスク制約を実装し、生成品質を維持しながらパラメータの負担を軽減する。 第3に,プロジェクションデータにおける病変関連領域を強化するパラメータフリーな幾何学駆動機構である透明医療注意(TMA)を導入する。 病変に着目したアテンションマップは粗いセグメンテーションから派生し、ハイパーメタボリック領域と低メタボリック領域の両方をカバーし、物理的に一貫したガイダンスのためにシノグラム空間に投影される。 このシステムは臨床が定義したROI調整をサポートし、PET取得物理に適合する柔軟性、解釈性、タスク適応性を保証する。 実験結果から、ALL-PETは500サンプルのみを使用して高品質なシノグラム生成を実現し、より大きなデータセットでトレーニングされたモデルに匹敵する性能を示した。 ALL-PETは低用量再構成、減衰補正、遅延フレーム予測、トレーサ分離などのタスクを一般化し、24GB以下のメモリ使用で効率的に動作する。

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)
• Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [40.722159771726375]
  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)
• Two-stage deep learning framework for the restoration of incomplete-ring PET images [0.6478690173421426]
  約50%の偶然を欠いたデータから高品質な画像を復元する2段階のディープラーニングフレームワークを提案する。 また, 推論速度も向上し, 不完全リングPET画像の有効解が得られた。
  論文  参考訳（メタデータ） (2025-04-01T14:05:32Z)
• Posterior-Mean Denoising Diffusion Model for Realistic PET Image Reconstruction [0.7366405857677227]
  Posterior-Mean Denoising Diffusion Model (PMDM-PET)は、最近確立された数学的理論に基づく新しいアプローチである。 PMDM-PETは,まず最小平均二乗誤差(MSE)の下で後平均PETの予測値を取得し,その分布を地上Truth PET画像の分布に最適に伝達する。 実験結果から,PMDM-PETは最小歪みと最適知覚品質を有する現実的なPET画像を生成するだけでなく,定性的視覚検査と定量的ピクセルワイド測定の両方において,最新の5つのSOTA(State-of-the-art (SOTA) DLベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-03-11T15:33:50Z)
• Diffusion Transformer Meets Random Masks: An Advanced PET Reconstruction Framework [11.726122474828065]
  本研究ではDREAM(Diffusion tRansformer mEets rAndom Masks)と呼ばれる高度なPET再建フレームワークを提案する。 我々の知る限りでは、これはマスク機構をシングラム領域と潜在空間の両方に統合する最初の試みである。 実験の結果,DREAMは再建PET画像の全体的な品質を向上するだけでなく,臨床的詳細も保存することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-11T11:50:50Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• 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)
• ConPET: Continual Parameter-Efficient Tuning for Large Language Models [65.48107393731861]
  継続的な学習には、新しいタスクへのモデルの継続的な適応が必要である。 継続性を提案する。 効率的なチューニング(ConPET) - 一般化可能なパラダイム。 大規模言語モデルの連続的なタスク適応。
  論文  参考訳（メタデータ） (2023-09-26T08:52:04Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• 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)

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。