論文の概要: Perfusion Imaging and Single Material Reconstruction in Polychromatic Photon Counting CT

• arxiv url: http://arxiv.org/abs/2602.02713v1
• Date: Mon, 02 Feb 2026 19:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.03324
• Title: Perfusion Imaging and Single Material Reconstruction in Polychromatic Photon Counting CT
• Title（参考訳）: 多色光子計数CTにおける灌流画像と単一材料再構成
• Authors: Namhoon Kim, Ashwin Pananjady, Amir Pourmorteza, Sara Fridovich-Keil,
• Abstract要約: 灌流CT(Perfusion Computed Tomography)は、コントラスト剤の体内動態を経時的に画像化する。 近年, 単体多色光子計数CTにおける理論的に正当化された再構成アルゴリズムが提案されている。 VI-PRISM (VI-based Perfusion Imaging and Single Materials reconstruction) と呼ぶ。 水とヨウ素濃度の異なるデジタルファントムを用いて線量還元灌流CTの有用性を評価した。
• 参考スコア（独自算出の注目度）: 6.422706599954865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Perfusion computed tomography (CT) images the dynamics of a contrast agent through the body over time, and is one of the highest X-ray dose scans in medical imaging. Recently, a theoretically justified reconstruction algorithm based on a monotone variational inequality (VI) was proposed for single material polychromatic photon-counting CT, and showed promising early results at low-dose imaging. Purpose: We adapt this reconstruction algorithm for perfusion CT, to reconstruct the concentration map of the contrast agent while the static background tissue is assumed known; we call our method VI-PRISM (VI-based PeRfusion Imaging and Single Material reconstruction). We evaluate its potential for dose-reduced perfusion CT, using a digital phantom with water and iodine of varying concentration. Methods: Simulated iodine concentrations range from 0.05 to 2.5 mg/ml. The simulated X-ray source emits photons up to 100 keV, with average intensity ranging from $10^5$ down to $10^2$ photons per detector element. The number of tomographic projections was varied from 984 down to 8 to characterize the tradeoff in photon allocation between views and intensity. Results: We compare VI-PRISM against filtered back-projection (FBP), and find that VI-PRISM recovers iodine concentration with error below 0.4 mg/ml at all source intensity levels tested. Even with a dose reduction between 10x and 100x compared to FBP, VI-PRISM exhibits reconstruction quality on par with FBP. Conclusion: Across all photon budgets and angular sampling densities tested, VI-PRISM achieved consistently lower RMSE, reduced noise, and higher SNR compared to filtered back-projection. Even in extremely photon-limited and sparsely sampled regimes, VI-PRISM recovered iodine concentrations with errors below 0.4 mg/ml, showing that VI-PRISM can support accurate and dose-efficient perfusion imaging in photon-counting CT.
• Abstract（参考訳）: 背景: 灌流CT(Perfusion Computed Tomography)は、コントラスト剤の体内動態を経時的に画像化し、医用画像におけるX線線量検査の最も高い1つである。 近年,シングルマテリアル多色光子計数CTにおいてモノトン変量不等式(VI)に基づく理論的に正当化された再構成アルゴリズムが提案され,低線量撮像において有望な早期結果を示した。 目的: この再構成アルゴリズムを灌流CTに適用し, 造影剤の濃度マップを再構築し, 静的背景組織を推定し, VI-PRISM (VI-based PeRfusion Imaging and Single Materials reconstruction) と呼ぶ。 水とヨウ素濃度の異なるデジタルファントムを用いて線量還元灌流CTの有用性を評価した。 方法:シミュレートされたヨウ素濃度は0.05から2.5mg/mlである。 シミュレーションされたX線源は100keVまでの光子を放出し、平均強度は10^5$から10^2$までである。 トモグラフィー投影の数は、ビューとインテンシティの光子割り当てのトレードオフを特徴付けるため、944から8まで変化した。 結果: VI-PRISM とFBP (Filtered back-projection) を比較し,VI-PRISM は検定したすべてのソース強度レベルにおいて0.4mg/ml以下の誤差でヨウ素濃度を回復することがわかった。 VI-PRISM は FBP と比較して 10 倍から 100 倍の線量減少率を示したが, 再現性は FBP と同程度であった。 結語:全光子予算と角度サンプリング密度を試験し,VI-PRISMはフィルタ後投射と比較してRMSE,雑音,SNRを一定に低減した。 VI-PRISMは、極端に光子に制限された少量の試料でも、0.4mg/ml未満の誤差でヨウ素濃度を回収し、光子計数CTにおける正確な線量効率の灌流像をサポートできることを示した。

関連論文リスト

• SkinGenBench: Generative Model and Preprocessing Effects for Synthetic Dermoscopic Augmentation in Melanoma Diagnosis [0.0]
  生成的アーキテクチャの選択は、前処理の複雑さよりも画像の忠実さと診断ユーティリティの両方に強い影響を与える。 メラノーマF1スコアは8～15%増加し, メラノーマ検出は有意に改善した。
  論文  参考訳（メタデータ） (2025-12-19T13:52:11Z)
• Deep Generative Models for Enhanced Vitreous OCT Imaging [0.7130302992490973]
  条件付き拡散確率モデル(cDDPM)、ブラウン橋拡散モデル(BBDM)、U-Net、Pix2Pix、Vector-Quantized Generative Adversarial Network(VQ-GAN)を評価した。
  論文  参考訳（メタデータ） (2025-11-02T10:36:59Z)
• Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
  拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。 本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T19:08:40Z)
• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• OCT-GAN: Single Step Shadow and Noise Removal from Optical Coherence Tomography Images of the Human Optic Nerve Head [47.812972855826985]
  我々は、ノイズと網膜の影の両方を10.4ms以内で見えない単一フレームのBスキャンから除去する単一プロセスを開発した。 提案アルゴリズムは,長い画像取得時間の必要性を低減し,高価なハードウェア要件を最小化し,OCT画像の動作アーティファクトを低減する。
  論文  参考訳（メタデータ） (2020-10-06T08:32:32Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features [3.4548443472506194]
  放射線学的特徴は、線量レベルとスライス厚さの違いによる取得の違いに敏感である。 減線量,厚みスライス (2.0mm) 画像を正常線量 (100%) , 薄いスライス (1.0mm) 画像に正規化するために, GAN (3D Generative Adversarial Network) を用いた。
  論文  参考訳（メタデータ） (2020-01-22T23:41:29Z)

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。