論文の概要: PET Head Motion Estimation Using Supervised Deep Learning with Attention
- arxiv url: http://arxiv.org/abs/2510.12758v1
- Date: Tue, 14 Oct 2025 17:37:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 19:02:32.422238
- Title: PET Head Motion Estimation Using Supervised Deep Learning with Attention
- Title（参考訳）: 教師付き深層学習を用いたPET頭部運動推定
- Authors: Zhuotong Cai, Tianyi Zeng, Jiazhen Zhang, Eléonore V. Lieffrig, Kathryn Fontaine, Chenyu You, Enette Mae Revilla, James S. Duncan, Jingmin Xin, Yihuan Lu, John A. Onofrey,
- Abstract要約: 頭部運動は脳ポジトロン断層撮影(PET)において重要な課題である。
本稿では,1秒の3次元生データから剛性な頭部運動を予測するために,クロスアテンション(DL-HMC++)を用いた深層学習型頭部運動補正手法を提案する。
DL-HMC++は、最先端のデータ駆動モーション推定法より一貫して優れている。
- 参考スコア（独自算出の注目度）: 15.608475070059102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Head movement poses a significant challenge in brain positron emission tomography (PET) imaging, resulting in image artifacts and tracer uptake quantification inaccuracies. Effective head motion estimation and correction are crucial for precise quantitative image analysis and accurate diagnosis of neurological disorders. Hardware-based motion tracking (HMT) has limited applicability in real-world clinical practice. To overcome this limitation, we propose a deep-learning head motion correction approach with cross-attention (DL-HMC++) to predict rigid head motion from one-second 3D PET raw data. DL-HMC++ is trained in a supervised manner by leveraging existing dynamic PET scans with gold-standard motion measurements from external HMT. We evaluate DL-HMC++ on two PET scanners (HRRT and mCT) and four radiotracers (18F-FDG, 18F-FPEB, 11C-UCB-J, and 11C-LSN3172176) to demonstrate the effectiveness and generalization of the approach in large cohort PET studies. Quantitative and qualitative results demonstrate that DL-HMC++ consistently outperforms state-of-the-art data-driven motion estimation methods, producing motion-free images with clear delineation of brain structures and reduced motion artifacts that are indistinguishable from gold-standard HMT. Brain region of interest standard uptake value analysis exhibits average difference ratios between DL-HMC++ and gold-standard HMT to be 1.2 plus-minus 0.5% for HRRT and 0.5 plus-minus 0.2% for mCT. DL-HMC++ demonstrates the potential for data-driven PET head motion correction to remove the burden of HMT, making motion correction accessible to clinical populations beyond research settings. The code is available at https://github.com/maxxxxxxcai/DL-HMC-TMI.
- Abstract（参考訳）: 頭部運動は脳ポジトロン放射断層撮影(PET)において重要な課題であり、画像のアーティファクトとトレーサーの定量化の不正確さをもたらす。
頭部運動の効果的な推定と補正は、正確な定量的画像解析と神経疾患の正確な診断に不可欠である。
ハードウェアベースのモーショントラッキング(HMT)は、実際の臨床実践において限定的な適用性を有する。
この制限を克服するため,一秒のPET生データから頭部の剛性運動を予測するために,横向き(DL-HMC++)を用いた深層学習型頭部運動補正手法を提案する。
DL-HMC++は、既存の動的PETスキャンと外部HMTからの金標準運動計測を利用して教師あり方式で訓練される。
2つのPETスキャナー(HRRT, mCT)と4つのラジオトレーサ(18F-FDG, 18F-FPEB, 11C-UCB-J, 11C-LSN3172176)上でDL-HMC++を評価し,大きなコホートPET研究におけるアプローチの有効性と一般化を実証した。
定量的および定性的な結果から、DL-HMC++は最先端のデータ駆動型モーション推定法より一貫して優れており、脳構造の明確なデライン化とゴールドスタンダードのHMTと区別できないモーションアーティファクトの縮小による動きのない画像を生成する。
利息標準取り込み値分析の脳領域は、DL-HMC++と金標準HMTの平均差比をHRRTでは1.2プラス0.5%、mCTでは0.5プラス0.2%と表している。
DL-HMC++は、データ駆動型PET頭部運動補正がHMTの負担を軽減し、研究環境を超えた臨床患者に運動補正を可能にする可能性を実証している。
コードはhttps://github.com/maxxxxxxcai/DL-HMC-TMIで公開されている。
関連論文リスト
- Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge [56.28872161153236]
ディープラーニングモデルは、自動心臓磁気共鳴(CMR)解析において最先端の性能を達成した。
これらのモデルの有効性は、高品質でアーティファクトフリーな画像の可用性に大きく依存している。
この領域の研究を促進するために,MICCAI CMRxMotion チャレンジを組織した。
論文 参考訳（メタデータ） (2025-07-25T11:12:21Z) - 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) - Synthetic CT Generation from Time-of-Flight Non-Attenutaion-Corrected PET for Whole-Body PET Attenuation Correction [6.062988223565465]
本研究では,時系列非減衰補正(NAC)PET画像から直接合成CT(sCT)画像を生成するためのディープラーニング手法を提案する。
まず,CT-CT再構成作業のための大規模自然画像データセットを用いた事前学習モデルについて検討した。
TOF NAC PET画像から骨と軟部組織を再構築した。
論文 参考訳（メタデータ） (2025-04-10T04:49:41Z) - Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。
生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
論文 参考訳（メタデータ） (2025-03-18T22:18:33Z) - Motion-Robust T2* Quantification from Gradient Echo MRI with Physics-Informed Deep Learning [2.6290476986603073]
運動補正は高品質なT2*写像を得るのに不可欠である。
これまでに導入した物理インフォームド動作補正法であるPHIMOを拡張した。
論文 参考訳（メタデータ） (2025-02-24T14:41:53Z) - 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) - Synthetic CT Generation via Variant Invertible Network for All-digital
Brain PET Attenuation Correction [11.402215536210337]
減衰補正(AC)は, アーティファクトフリーで定量精度の高いポジトロン放射トモグラフィ(PET)画像の生成に不可欠である。
本稿では,脳PET画像における非減衰補正PET画像から,深層学習を用いて連続的に評価されたCT画像を生成するPET AC法を開発した。
論文 参考訳（メタデータ） (2023-10-03T08:38:52Z) - 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) - Estimating Head Motion from MR-Images [0.0]
頭部運動は磁気共鳴画像(MRI)解析の完全な共同創設者である。
本稿では,T1重み付き(T1w),T2重み付き(T2w)およびFLAIR画像から直接,走査内頭部の動きを予測する深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-02-28T11:03:08Z) - DDH-QA: A Dynamic Digital Humans Quality Assessment Database [55.69700918818879]
多様な動作内容と複数の歪みを有する大規模デジタル人文品質評価データベースを構築した。
DDHを駆動するために10種類の共通運動が使用され、最後に合計800個のDDHが生成される。
論文 参考訳（メタデータ） (2022-12-24T13:35:31Z) - Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks [10.095428964324874]
放射線標識水(15O-water)を用いたPET(Positron emission tomography)はヒトの脳血流測定における金標準であると考えられている。
PETイメージングは、その禁止コストと、通常現場でのサイクロトロン生産を必要とする短命な放射性医薬品トレーサの使用により、広く利用できない。
本研究では,マルチシーケンスMRIスキャンから金標準の15O-PET CBFを予測するためのアテンション機構を備えた畳み込みエンコーダデコーダネットワークを提案する。
論文 参考訳（メタデータ） (2022-11-22T08:25:44Z)
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。