論文の概要: CT-Less Attenuation Correction Using Multiview Ensemble Conditional Diffusion Model on High-Resolution Uncorrected PET Images
- arxiv url: http://arxiv.org/abs/2510.24805v1
- Date: Tue, 28 Oct 2025 01:18:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:44.58488
- Title: CT-Less Attenuation Correction Using Multiview Ensemble Conditional Diffusion Model on High-Resolution Uncorrected PET Images
- Title（参考訳）: 高分解能未修正PET画像における多視点エンサンブル条件拡散モデルを用いたCT-Less減衰補正
- Authors: Alexandre St-Georges, Gabriel Richard, Maxime Toussaint, Christian Thibaudeau, Etienne Auger, Étienne Croteau, Stephen Cunnane, Roger Lecomte, Jean-Baptiste Michaud,
- Abstract要約: 減衰は、検出器に到達する前に生体組織を横切ると検出される光子の最小化を指す。
ニューラルネットワークアーキテクチャの新しい進歩は、合成CT画像合成による代替アプローチを提案する。
Siemens Biograph Vision PET/CTスキャナで得られた159個の頭部スキャンの結果、擬似CT生成の質的および定量的な改善が示された。
- 参考スコア（独自算出の注目度）: 31.66812884304363
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Accurate quantification in positron emission tomography (PET) is essential for accurate diagnostic results and effective treatment tracking. A major issue encountered in PET imaging is attenuation. Attenuation refers to the diminution of photon detected as they traverse biological tissues before reaching detectors. When such corrections are absent or inadequate, this signal degradation can introduce inaccurate quantification, making it difficult to differentiate benign from malignant conditions, and can potentially lead to misdiagnosis. Typically, this correction is done with co-computed Computed Tomography (CT) imaging to obtain structural data for calculating photon attenuation across the body. However, this methodology subjects patients to extra ionizing radiation exposure, suffers from potential spatial misregistration between PET/CT imaging sequences, and demands costly equipment infrastructure. Emerging advances in neural network architectures present an alternative approach via synthetic CT image synthesis. Our investigation reveals that Conditional Denoising Diffusion Probabilistic Models (DDPMs) can generate high quality CT images from non attenuation corrected PET images in order to correct attenuation. By utilizing all three orthogonal views from non-attenuation-corrected PET images, the DDPM approach combined with ensemble voting generates higher quality pseudo-CT images with reduced artifacts and improved slice-to-slice consistency. Results from a study of 159 head scans acquired with the Siemens Biograph Vision PET/CT scanner demonstrate both qualitative and quantitative improvements in pseudo-CT generation. The method achieved a mean absolute error of 32 $\pm$ 10.4 HU on the CT images and an average error of (1.48 $\pm$ 0.68)\% across all regions of interest when comparing PET images reconstructed using the attenuation map of the generated pseudo-CT versus the true CT.
- Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)の正確な定量化は、正確な診断結果と効果的な治療追跡に不可欠である。
PET画像における主な問題は減衰である。
減衰は、検出器に到達する前に生体組織を横切ると検出される光子の最小化を指す。
このような補正が欠如または不十分な場合には、この信号劣化は不正確な定量化をもたらし、良性疾患と悪性疾患の区別が困難になり、誤診につながる可能性がある。
通常、この補正はCT(Computerd Tomography)画像を用いて行われ、体全体にわたる光子減衰を計算する構造データを得る。
しかし, この方法では, 放射線被曝量の増加, PET/CT画像の空間的誤認識に悩まされ, 設備インフラの費用がかかる。
ニューラルネットワークアーキテクチャの進化により、合成CT画像合成による代替アプローチが提示される。
そこで本研究では,非減衰補正PET画像から高画質CT画像を生成することができる条件付き拡散確率モデル(DDPM)について検討した。
非減衰補正PET画像からの3つの直交ビューを全て利用することにより、DDPMとアンサンブル投票を組み合わせることで、アーティファクトの低減とスライス・トゥ・スライス整合性を改善した高品質な擬似CT画像を生成する。
Siemens Biograph Vision PET/CTスキャナで得られた159個の頭部スキャンの結果、擬似CT生成の質的および定量的な改善が示された。
この方法では、CT画像の平均絶対誤差が32$\pm$ 10.4 HUであり、生成した擬似CTの減衰マップを用いて再構成したPET画像と真CTとの比較において、すべての関心領域の平均誤差が1.48$\pm$ 0.68)\%である。
関連論文リスト
- EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT)
CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-09-26T05:51:59Z) - 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) - 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) - Whole-Body Image-to-Image Translation for a Virtual Scanner in a Healthcare Digital Twin [0.8714814768600079]
本研究では,全身CT画像を4つの領域(頭,幹,腕,脚)に分割し,地域固有のGAN(Generative Adversarial Networks)を用いてCT-PET翻訳を行うフレームワークを提案する。
この方法論は、CTデータから正確な仮想PETスキャンを可能にし、健康結果を監視し、予測し、最適化するための仮想イメージング表現を作成することで、ヘルスケアのDigital Twinsをサポートする。
論文 参考訳（メタデータ） (2025-03-18T20:19:28Z) - PET Synthesis via Self-supervised Adaptive Residual Estimation
Generative Adversarial Network [14.381830012670969]
近年,低線量画像から高画質PET画像を生成する手法が,低線量画像の回収手法の最先端技術であることが報告されている。
これらの問題に対処するため、我々は自己教師付き適応残差推定生成対向ネットワーク(SS-AEGAN)を開発した。
SS-AEGANは、様々な線量還元因子による最先端の合成法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2023-10-24T06:43:56Z) - 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) - TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction
from Low-Dose Sinograms [45.24575167909925]
TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。
最先端の手法を質的に、定量的に上回る。
GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
論文 参考訳（メタデータ） (2023-08-10T06:20:00Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z)
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。