論文の概要: Physics-Informed Deep Learning for Improved Input Function Estimation in Motion-Blurred Dynamic [${}^{18}$F]FDG PET Images
- arxiv url: http://arxiv.org/abs/2510.21281v1
- Date: Fri, 24 Oct 2025 09:26:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 09:00:15.425886
- Title: Physics-Informed Deep Learning for Improved Input Function Estimation in Motion-Blurred Dynamic [${}^{18}$F]FDG PET Images
- Title（参考訳）: 物理インフォームドディープラーニングによる運動負荷動的[$$$$}^{18}$F]FDG PET画像の入力関数推定
- Authors: Christian Salomonsen, Kristoffer K. Wickstrøm, Samuel Kuttner, Elisabeth Wetzer,
- Abstract要約: 我々は、PET画像から直接AIFを推定するために、物理インフォームド深層学習に基づく入力関数予測モデル(PIDLIF)を訓練する。
提案手法は,物理インフォームド損失を伴わずにネットワークに匹敵する性能を有し,画像のぼやけを突如起こす動きをシミュレートすると,PIDLIFモデルは画像劣化の重大ケースにおいて高い性能を維持した。
- 参考スコア（独自算出の注目度）: 1.3249509346606656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kinetic modeling enables \textit{in vivo} quantification of tracer uptake and glucose metabolism in [${}^{18}$F]Fluorodeoxyglucose ([${}^{18}$F]FDG) dynamic positron emission tomography (dPET) imaging of mice. However, kinetic modeling requires the accurate determination of the arterial input function (AIF) during imaging, which is time-consuming and invasive. Recent studies have shown the efficacy of using deep learning to directly predict the input function, surpassing established methods such as the image-derived input function (IDIF). In this work, we trained a physics-informed deep learning-based input function prediction model (PIDLIF) to estimate the AIF directly from the PET images, incorporating a kinetic modeling loss during training. The proposed method uses a two-tissue compartment model over two regions, the myocardium and brain of the mice, and is trained on a dataset of 70 [${}^{18}$F]FDG dPET images of mice accompanied by the measured AIF during imaging. The proposed method had comparable performance to the network without a physics-informed loss, and when sudden movement causing blurring in the images was simulated, the PIDLIF model maintained high performance in severe cases of image degradation. The proposed physics-informed method exhibits an improved robustness that is promoted by physically constraining the problem, enforcing consistency for out-of-distribution samples. In conclusion, the PIDLIF model offers insight into the effects of leveraging physiological distribution mechanics in mice to guide a deep learning-based AIF prediction network in images with severe degradation as a result of blurring due to movement during imaging.
- Abstract（参考訳）: Kinetic Modelingにより、[${}^{18}$F]Fluorodeoxyglucose ([${}^{18}$F]FDG) dynamic positron emission tomography (dPET) imaging of miceにおいて、トレーサーの取り込みとグルコース代謝の「textit{in vivo}」定量化が可能になる。
しかし、動力学的モデリングでは、画像中の動脈入力関数(AIF)を正確に決定する必要がある。
近年の研究では、画像由来の入力関数(IDIF)のような確立した手法を超越して、深層学習による入力関数の直接予測の有効性が示されている。
本研究では,物理インフォームド深層学習に基づく入力関数予測モデル(PIDLIF)を訓練し,PET画像から直接AIFを推定する。
提案手法は,マウスの心筋と脳の2つの領域にまたがる2つのコンパートメントモデルを用いて,計測されたAIFを伴うマウスの70[${}^{18}$F]FDG dPET画像を用いて訓練を行った。
提案手法は,物理インフォームド損失を伴わずにネットワークに匹敵する性能を有し,画像のぼやけを突如起こす動きをシミュレートすると,PIDLIFモデルは画像劣化の重大ケースにおいて高い性能を維持した。
提案した物理インフォームド法は, 物理的に問題を制約し, 分布外サンプルの整合性を高めることにより, 頑健性の向上を図っている。
結論として、PIDLIFモデルは、画像中の動きによるぼやけた結果、画像中の深層学習に基づくAIF予測ネットワークを誘導するために、マウスの生理的分布力学を活用する効果についての洞察を与える。
関連論文リスト
- A Kernel Space-based Multidimensional Sparse Model for Dynamic PET Image Denoising [14.033563800930965]
ディープ・ラーニングは 幅広い医療画像に役立ちます
近年の研究では、ディープ・ラーニングは幅広い医療画像認知タスクにおいて有用であることが示されている。
動的PET画像のデノゲーションのためのモデルベースニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2025-09-23T08:48:36Z) - Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。
Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
論文 参考訳（メタデータ） (2025-07-24T01:00:06Z) - 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 [17.974081840716337]
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。
論文 参考訳（メタデータ） (2025-07-03T06:55:41Z) - Think Before You Diffuse: Infusing Physical Rules into Video Diffusion [55.046699347579455]
実世界の動き、相互作用、ダイナミクスの複雑さは、データから物理を学ぶ際に大きな困難をもたらす。
DiffPhyは、トレーニング済みの動画拡散モデルを微調整することで、物理的に正確でリアルな映像生成を可能にする汎用的なフレームワークである。
論文 参考訳（メタデータ） (2025-05-27T18:26:43Z) - 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) - PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment [59.9103803198087]
水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークを提案する。
水中放射移動理論を応用して、物理に基づく画像推定を統合して、これらの歪みの定量的な測定値を確立する。
提案モデルは,画像品質のスコアを正確に予測し,最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-12-20T03:31:45Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Dynamic PET Image Prediction Using a Network Combining Reversible and Irreversible Modules [13.706949780214535]
本研究では,動的PET画像のフレーム予測手法を提案する。
ネットワークは、動的PET画像の初期フレームに基づいて、運動パラメータ画像を予測することができる。
論文 参考訳（メタデータ） (2024-10-30T03:52:21Z) - 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) - A Robust Backpropagation-Free Framework for Images [47.97322346441165]
画像データに対するエラーカーネル駆動型アクティベーションアライメントアルゴリズムを提案する。
EKDAAは、ローカルに派生したエラー送信カーネルとエラーマップを導入することで達成される。
結果は、識別不能なアクティベーション機能を利用するEKDAAトレーニングCNNに対して提示される。
論文 参考訳（メタデータ） (2022-06-03T21:14:10Z)
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。