Fugu-MT 論文翻訳(概要): Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN

論文の概要: Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN

arxiv url: http://arxiv.org/abs/2510.23140v1
Date: Mon, 27 Oct 2025 09:17:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 15:28:15.503163
Title: Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN
Title（参考訳）: 物理インフォームドサイクルGANを用いた動的PETの高速Voxel-Wise動力学的モデリング
Authors: Christian Salomonsen, Samuel Kuttner, Michael Kampffmeyer, Robert Jenssen, Kristoffer Wickstrøm, Jong Chul Ye, Elisabeth Wetzer,
Abstract要約: 我々は、DCE-MRI量子化と動的PET量子化の約束を示す物理インフォームドCycleGANを採用する。実験では、基準によく似た音響AIF予測とパラメータマップを実証した。
参考スコア（独自算出の注目度）: 55.27156760515792
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tracer kinetic modeling serves a vital role in diagnosis, treatment planning, tracer development and oncology, but burdens practitioners with complex and invasive arterial input function estimation (AIF). We adopt a physics-informed CycleGAN showing promise in DCE-MRI quantification to dynamic PET quantification. Our experiments demonstrate sound AIF predictions and parameter maps closely resembling the reference.
Abstract（参考訳）: トレーサーの動態モデリングは、診断、治療計画、トレーサーの発達、腫瘍学において重要な役割を担っているが、複雑で侵襲的な動脈入力関数推定(AIF)の実践者が負担する。我々は、DCE-MRI量子化と動的PET量子化の約束を示す物理インフォームドCycleGANを採用する。実験では、基準によく似た音響AIF予測とパラメータマップを実証した。

関連論文リスト

Physics-Informed Deep Learning for Improved Input Function Estimation in Motion-Blurred Dynamic [${}^{18}$F]FDG PET Images [1.3249509346606656]
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。
論文参考訳（メタデータ） (2025-10-24T09:26:07Z)
Physiological neural representation for personalised tracer kinetic parameter estimation from dynamic PET [0.7147474215053953]
本稿では,暗黙的ニューラル表現(INR)に基づく生理的ニューラル表現を提案する。連続関数を学習するINRは、データ要求を低減した効率的な高分解能パラメトリックイメージングを可能にする。以上の結果から,INRsが腫瘍の性状,セグメンテーション,予後評価に応用できるパーソナライズされたデータ効率トレーサの速度論的モデリングに有用であることが示唆された。
論文参考訳（メタデータ） (2025-04-23T22:12:04Z)
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)
REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。本モデルは,発作検出と分類作業において高い精度を示す。
論文参考訳（メタデータ） (2024-06-03T16:30:19Z)
Beyond Conventional Parametric Modeling: Data-Driven Framework for Estimation and Prediction of Time Activity Curves in Dynamic PET Imaging [4.097001355074171]
本研究では、リアクション拡散システムにインスパイアされた、革新的なデータ駆動型ニューラルネットワークベースのフレームワークを紹介する。本手法は, dPETのTACに適応的に適合し, 観測データから拡散係数と反応項を直接キャリブレーションすることができる。
論文参考訳（メタデータ） (2024-05-31T17:09:07Z)
ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文参考訳（メタデータ） (2024-02-09T01:09:21Z)
Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET [36.28565007063204]
Voxel-wise physiologically based of the Time Activity curves (TAC) は、臨床ワークフローに関連性のある診断情報を提供することができる。本研究は、測定されたTACと学習された運動パラメータで生成されたものとの類似性を強制する自己教師付きPET損失定式化を導入する。我々の知る限りでは、これは非線形の運動モデルと整合した運動パラメータのエルボックスワイズ計算を可能にする最初の自己教師ネットワークである。
論文参考訳（メタデータ） (2023-05-17T21:08:02Z)
Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。