論文の概要: MlPET: A Localized Neural Network Approach for Probabilistic Post-Reconstruction PET Image Analysis Using Informed Priors

• arxiv url: http://arxiv.org/abs/2601.18021v1
• Date: Sun, 25 Jan 2026 22:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.585728
• Title: MlPET: A Localized Neural Network Approach for Probabilistic Post-Reconstruction PET Image Analysis Using Informed Priors
• Title（参考訳）: MlPET:インフォームドプリミティブを用いた確率論的ポストコンストラクションPET画像解析のための局所ニューラルネットワークアプローチ
• Authors: Thomas Mejer Hansen, Nana Christensen, Mikkel Vendelbo,
• Abstract要約: 確率的PET画像解析のための高速局所機械学習手法であるMlPETを開発し評価する。 MlPETは、マルコフ連鎖モンテカルロサンプリングを、小さな画像近傍から平均ボクセル活性を推定するために訓練された局所ニューラルネットワークに置き換える。 NEMA IECファントムデータを用いたPETシステムの性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop and evaluate MlPET, a fast localized machine learning approach for probabilistic PET image analysis addressing the noise-resolution trade-off in conventional reconstructions. MlPET replaces computationally demanding Markov chain Monte Carlo sampling with a localized neural network trained to estimate posterior mean voxel activity from small image neighborhoods. The method incorporates scanner-specific point spread functions, spatially correlated noise modeling, and flexible priors. Performance was evaluated on NEMA IEC phantom data from three PET systems (GE Discovery MI, Siemens Biograph Vision 600, and Quadra) under varying reconstruction settings and acquisition times. On phantom data, MlPET achieved contrast recovery coefficients consistently higher than standard PET and close to 1.0 (including 10 mm spheres), while reducing background noise and improving spatial definition. Effective pointspread function full width at half maximum decreased from approximately 2 mm in standard PET to below 1 mm with MlPET, a 2.5 fold reduction in blur. Comparable image quality was obtained at 40-80 s acquisition time with MlPET versus 900 s with conventional PET. MlPET provides an efficient approach for quantitative probabilistic post-reconstruction PET analysis. By combining informed priors with neural network speed, it achieves noise suppression and resolution enhancement without altering reconstruction algorithms. The method shows promise for improved small-lesion detectability and quantitative reliability in clinical PET imaging. Future studies will evaluate performance on patient data.
• Abstract（参考訳）: 従来の画像再構成におけるノイズ分解トレードオフに対処する確率的PET画像解析のための高速局所機械学習手法であるMlPETの開発と評価を行った。 MlPETは、マルコフ連鎖モンテカルロサンプリングを、小さな画像近傍から平均ボクセル活性を推定するために訓練された局所ニューラルネットワークに置き換える。 この手法は、スキャナ固有の点展開関数、空間的相関ノイズモデリング、フレキシブルな事前処理を含む。 3つのPETシステム(GE Discovery MI, Siemens Biograph Vision 600, Quadra)のNEMA IECファントムデータを用いて, 種々の再構成設定と取得時間による性能評価を行った。 ファントムデータでは、MlPETは標準PETよりも常に高いコントラスト回復係数を達成し、背景雑音を低減し、空間的定義を改善した。 有効長所読関数の半最大幅は, 標準PETでは約2mmからMlPETでは1mm以下に減少し, 2.5倍のぼかしが減少した。 画像品質は,MlPETでは40～80秒,従来のPETでは900秒であった。 MlPETは、定量的な確率論的ポスト再構成PET分析のための効率的なアプローチを提供する。 インフォメーション前の情報とニューラルネットワークの速度を組み合わせることで、再構成アルゴリズムを変更することなくノイズ抑制と解像度向上を実現する。 本手法は, 臨床PET画像における低分解能と定量的信頼性の向上を約束するものである。 今後の研究は患者データの性能を評価する。

関連論文リスト

• ALL-PET: A Low-resource and Low-shot PET Foundation Model in Projection Domain [33.678018449132715]
  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、20万以上の構造的に多様なトレーニングサンプルを生成する。 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させる。
  論文  参考訳（メタデータ） (2025-09-11T04:03:52Z)
• Physics-Constrained Diffusion Reconstruction with Posterior Correction for Quantitative and Fast PET Imaging [17.255010452905502]
  PET画像再構成のための後方物理補正(PET-DPC)を用いた条件拡散モデル PET-DPCは、完全に修正されたOSEM画像と密に整合した再構築を行い、定量的メトリクスでエンドツーエンドのディープラーニングモデルより優れている。
  論文  参考訳（メタデータ） (2025-08-20T02:39:55Z)
• 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)
• Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness [43.45142393436787]
  線量レベルの認識が可能な新しい二相多段PET再構成アルゴリズムを設計する。 事前学習フェーズは、きめ細かい識別特徴と効果的な意味表現の両方を探索するために考案された。 SPET予測フェーズは、事前学習した線量レベルを利用した粗い予測ネットワークを採用して予備結果を生成する。
  論文  参考訳（メタデータ） (2024-04-02T01:57:08Z)
• 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)
• A Unified Continual Learning Framework with General Parameter-Efficient Tuning [56.250772378174446]
  「事前学習$rightarrow$ダウンストリーム適応」は、継続学習の新しい機会と課題を提示する。 我々は,PETの1つのインスタンス化としてプロンプトを位置づけ,ラーニング・アキュミュレーション・アンサンブル(LAE)と呼ばれる統一的なCLフレームワークを提案する。 PET(Adapter、LoRA、Prefixなど)は、トレーニング済みのモデルをより少ないパラメータとリソースで下流のタスクに適応させることができる。
  論文  参考訳（メタデータ） (2023-03-17T15:52:45Z)

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。