論文の概要: CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration
- arxiv url: http://arxiv.org/abs/2604.22905v1
- Date: Fri, 24 Apr 2026 16:38:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.051482
- Title: CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration
- Title（参考訳）: ボクセル幅変形可能な全体PETレジストレーションのためのCTガイド下空間変化正規化法
- Authors: Xiangcen Wu, Ruohua Chen, Sichun Li, Qianye Yang, Sheng Liu, Jianjun Liu, Zhaoheng Xie,
- Abstract要約: 深層学習に基づく変形可能な登録では, 密度変位場(DDF)正則化器は最適化を安定化し, 大規模3次元ボリュームにおける非現実的変形を防止するために重要である。
本研究は,全身異方性PET登録のための単純で効果的なCTガイド付き空間変化正規化戦略を提案する。
提案法は,18F-PSMAおよび18F-FDGを含む296例の臨床横断PET/CTデータセットを用いて評価した。
- 参考スコア（独自算出の注目度）: 13.822676478055866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole-body Positron Emission Tomography (PET) registration is essential for multi-parametric tumor characterization and assessment of metastatic disease progression. In deep learning-based deformable registration, the dense displacement field (DDF) regularizer is crucial for stabilizing optimization and preventing unrealistic deformations in large 3D volumes. A key challenge in whole-body deformable registration is anatomical heterogeneity, rigid structures (e.g., bones) should undergo stronger regularization, whereas soft tissues require more flexible deformation and weaker constraints. In this work, we propose a simple yet effective CT-guided spatially-varying regularization strategy for whole-body cross-tracer deformable PET registration. The key idea is to use the paired CT volume from the PET/CT acquisition to construct a voxel-wise regularization map for the DDF, replacing the conventional single global regularization weight. This yields anatomy-adaptive regularization strength across rigid and soft tissues. The proposed method is evaluated on a real clinical cross-tracer PET/CT dataset of 296 patients involving 18F-PSMA and 18F-FDG, showing that the proposed method achieves statistically significant improvements over weakly-supervised registration baseline in both whole-body registration performance and organ-wise alignment.
- Abstract（参考訳）: 全身ポジトロントモグラフィー(PET)は,多発性パラメトリック腫瘍の診断と転移性疾患進展の評価に不可欠である。
深層学習に基づく変形可能な登録では, 密度変位場(DDF)正則化器は最適化を安定化し, 大規模3次元ボリュームにおける非現実的変形を防止するために重要である。
全身変形可能な登録の鍵となる課題は解剖学的不均一性であり、硬い構造(骨など)はより強い規則化をすべきであり、軟組織はより柔軟な変形とより弱い制約を必要とする。
本研究は,全身異方性PET登録のための単純で効果的なCTガイド付き空間変化正規化戦略を提案する。
鍵となる考え方は、PET/CT 取得の対CTボリュームを使用して、従来の単一グローバルな正規化重みの代わりに、DFF のボクセルワイド正規化マップを構築することである。
これにより、硬組織と軟組織をまたいだ解剖適応正則化強度が得られる。
提案法は,18F-PSMAおよび18F-FDGを含む296例の臨床横断的PET/CTデータセットを用いて評価し,本手法は全身登録性能と臓器のアライメントの両方において,弱制御された登録基準よりも統計的に有意な改善が得られたことを示す。
関連論文リスト
- Generalizable CT-Free PET Attenuation and Scatter Correction for Pediatric Patients [16.406616011746944]
既存のCTフリーメソッドは、通常均質な設定で訓練され、スキャナやラジオトレーサシフトの下で劣化する。
そこで本研究では,GPCN(Generalizable PET Correction Network)を提案する。
論文 参考訳（メタデータ） (2026-04-24T10:55:19Z) - PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。
我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。
まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。
第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
論文 参考訳（メタデータ） (2026-04-01T15:57:18Z) - CT-Conditioned Diffusion Prior with Physics-Constrained Sampling for PET Super-Resolution [25.790321547743066]
不均一なシステム構成下でPET超解像を後部推論として定式化する。
物理制約付きサンプリングによるCT条件拡散フレームワークを提案する。
標準およびOOD設定の両方において、提案手法は実験指標と病変レベル臨床関連指標を一貫して改善する。
論文 参考訳（メタデータ） (2026-03-14T11:28:23Z) - Vision-Language Models for Automated 3D PET/CT Report Generation [13.781844347232079]
自己PET/CTレポート生成は, 臨床負荷軽減にますます重要である。
PETRG-3Dは、PETとCTのボリュームをエンコードし、スタイル適応プロンプトを組み込んだエンドツーエンドの3Dデュアルブランチフレームワークである。
PETRG-Score(PETRG-Score)は、悪性リンパ腫に特異的な評価プロトコルである。
論文 参考訳（メタデータ） (2025-11-25T10:07:57Z) - 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) - Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection [50.388465935739376]
術前の3Dモデルを術中2Dフレームにオーバーレイすることで肝臓の空間解剖を明瞭に把握し,より高い手術成功率を達成することができる。
既存の登録法は解剖学的ランドマークに大きく依存しており、2つの大きな制限に直面している。
本稿では,効果的な自己教師型学習を生かした,目覚ましくない術前・術中登録フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-21T14:55:57Z) - Efficient Parameter Adaptation for Multi-Modal Medical Image Segmentation and Prognosis [4.5445892770974154]
変圧器ベースセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応(PEMMA)フレームワークを提案する。
本手法は初期核融合に匹敵する性能を示すが、トレーニング可能なパラメータの8%しか持たず、単一モードで訓練した場合のPETスキャンにおけるDiceスコアが28%向上したことを示す。
論文 参考訳（メタデータ） (2025-04-18T11:52:21Z) - 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) - 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) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳（メタデータ） (2023-06-26T13:32:09Z)
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。