論文の概要: PET-Adapter: Test-Time Domain Adaptation for Full and Limited-Angle PET Image Reconstruction

• arxiv url: http://arxiv.org/abs/2605.08030v1
• Date: Fri, 08 May 2026 17:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.235346
• Title: PET-Adapter: Test-Time Domain Adaptation for Full and Limited-Angle PET Image Reconstruction
• Title（参考訳）: PET-Adapter:フル・リミットアングルPET画像再構成のためのテスト時間領域適応
• Authors: Rüveyda Yilmaz, Yuli Wu, Johannes Stegmaier, Volkmar Schulz,
• Abstract要約: 本稿では, ファントムデータのみに基づいて事前学習したPET再構成モデルのためのテスト時間領域適応フレームワークPET-Adapterを提案する。 提案手法は, 異なる解剖, トレーサ, スキャナ構成を持つ臨床データセットに, ペアの地上真実を必要とせずに適応することができる。 複数の臨床データセットにまたがる実験は、フルアングルとリミテッドアングルの両方で優れた3D再構成性能を示す。
• 参考スコア（独自算出の注目度）: 3.0104188217541563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Positron Emission Tomography (PET) image reconstruction is inherently challenged by Poisson noise and physical degradation factors, which are further exacerbated in limited-angle acquisitions. While deep learning methods demonstrate promising performance, their generalization to unseen clinical data distributions remains limited without extensive retraining. We propose PET-Adapter, a test-time domain adaptation framework for generative PET reconstruction models pretrained solely on phantom data. Our method enables adaptation to clinical datasets with varying anatomies, tracers, and scanner configurations without requiring paired ground truth. PET-Adapter introduces layer-wise low-rank anatomical conditioning during adaptation and Ordered Subset Expectation Maximization-based warm-starting that initializes the generation from physics-informed reconstructions, reducing diffusion steps from 50 to 2 without compromising quality. Experiments across multiple clinical datasets demonstrate superior 3D reconstruction performance in both full-angle and limited-angle settings, highlighting the clinical feasibility and computational efficiency of the proposed approach.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)画像再構成は、ポアソンノイズと物理的劣化因子によって本質的に困難であり、これは狭角取得においてさらに悪化している。 深層学習法は有望な性能を示すが, 臨床データ分布の未確認への一般化は, 広範な再トレーニングを伴わずに制限されている。 本稿では, ファントムデータのみに基づいて事前学習したPET再構成モデルのためのテスト時間領域適応フレームワークPET-Adapterを提案する。 提案手法は, 異なる解剖, トレーサ, スキャナ構成を持つ臨床データセットに, ペアの地上真実を必要とせずに適応することができる。 PET-Adapterは、適応中に階層的に低ランクの解剖条件を導入し、物理インフォームド再構成から生成を初期化し、品質を損なうことなく拡散ステップを50から2に短縮する、オーダード・サブセット期待に基づくウォームスタートを導入した。 複数の臨床データセットにまたがる実験は、フルアングルとリミテッドアングルの両方の設定において優れた3次元再構成性能を示し、提案手法の臨床的実現可能性と計算効率を強調した。

関連論文リスト

• 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)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 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)
• 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)
• 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)
• HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
  予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。 タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。 提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-07T01:50:25Z)
• Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction [7.320877150436869]
  低線量PET画像の再構成品質を高めるために,JCP(Joint compact prior)により導かれる拡散変圧器モデルを提案する。 DTMは拡散モデルの強力な分布マッピング能力と変圧器の容量を組み合わせて長距離依存を捉える。 本手法は放射線曝露リスクを軽減するだけでなく,早期診断や患者管理のためのPETイメージングツールも提供する。
  論文  参考訳（メタデータ） (2024-07-01T03:54:43Z)
• 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。