論文の概要: Generation of Heterogeneous PET Images from Uniform Organ Activity Maps Using a Pretrained Domain-Adapted Diffusion Model

• arxiv url: http://arxiv.org/abs/2605.20267v1
• Date: Mon, 18 May 2026 21:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.250926
• Title: Generation of Heterogeneous PET Images from Uniform Organ Activity Maps Using a Pretrained Domain-Adapted Diffusion Model
• Title（参考訳）: 領域適応拡散モデルを用いた一様臓器活動図からの異種PET画像の生成
• Authors: Suya Li, Kaushik Dutta, Debojyoti Pal, Jingqin Luo, Kooresh I. Shoghi,
• Abstract要約: 合成PET画像は、定量的イメージングワークフローの開発、スケーラブルな仮想イメージングトライアル、ディープラーニングモデルトレーニングに有用である。 本研究では,一様臓器活動マップを用いた解剖条件PET合成のためのドメイン適応拡散モデルを開発した。
• 参考スコア（独自算出の注目度）: 1.3918848543076061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic PET images are valuable for quantitative imaging workflow development, scalable virtual imaging trials, and deep learning model training, but conventional physics-based simulation approaches are computationally intensive, limited in anatomical variability, and often fail to capture heterogeneous PET uptake. This study developed a pretrained domain-adapted diffusion (PAD) model for anatomy-conditioned PET synthesis from uniform organ activity maps. PAD adopts a natural-image pretrained text-to-image decoder with an upstream conditioning encoder and a downstream PET-domain adapter. A two-phase training strategy was used, with the first phase learning coarse uptake distributions and the second refining local image details. Uniform organ activity maps were generated from CT-based segmentations by assigning each organ its mean uptake from the paired PET image. Evaluation included quantitative accuracy, noise assessment, radiomic analysis, tumor segmentation performance, and a human observer study. PAD-generated images achieved high quantitative accuracy, with concordance correlation coefficients above 0.92 between organ mean SUVs and assigned activity values. The synthesized images showed noise levels and texture characteristics similar to target PET images and produced comparable tumor segmentation performance. In a two-alternative forced-choice observer study, four readers achieved approximately 50% accuracy, indicating visual indistinguishability between synthesized and target images. PAD also generated realistic PET images from XCAT-derived activity maps, demonstrating compatibility with phantom-based anatomical priors. Overall, PAD provides a diffusion-based framework for generating clinically relevant heterogeneous PET images from uniform organ activity maps derived from clinical segmentations or digital phantoms, supporting data augmentation and downstream imaging studies.
• Abstract（参考訳）: 合成PET画像は、定量的な画像ワークフローの開発、スケーラブルな仮想画像実験、ディープラーニングモデルトレーニングに有用であるが、従来の物理学に基づくシミュレーション手法は計算集約的であり、解剖学的変動に制限され、しばしば異種PETの取り込みを捉えることに失敗する。 本研究では,一様臓器活動マップを用いた解剖条件PET合成のための事前訓練されたドメイン適応拡散(PAD)モデルを開発した。 PADは、上流のコンディショニングエンコーダと下流のPETドメインアダプタを備えた、自然に訓練されたテキスト・ツー・イメージ・デコーダを採用する。 第1相学習の粗い取り込み分布と第2次局所像の精細化を含む2相学習戦略が用いられた。 PET画像から各臓器に平均的取り込みを割り当てることで,CTに基づくセグメンテーションから一様臓器活動マップを作成した。 評価には、定量的精度、ノイズアセスメント、放射線分析、腫瘍セグメンテーション性能、人間の観察者による研究が含まれていた。 PAD生成画像は、臓器平均SUVと割り当てられた活動値との一致相関係数0.92以上で、高い定量的精度を達成した。 合成画像は,ターゲットPET画像と同様のノイズレベルとテクスチャ特性を示し,腫瘍セグメンテーション性能を比較検討した。 2段階の強制選択観察実験では、4人の読者が約50%の精度を達成し、合成画像と対象画像の視覚的不明瞭さを示した。 PADはまた、XCAT由来のアクティビティマップから現実的なPET画像を生成し、ファントムベースの解剖学的前駆体との互換性を示した。 全体として、PADは、臨床セグメントまたはデジタルファントムから導かれる一様臓器活動マップから、臨床的に関係のある異種PET画像を生成するための拡散ベースのフレームワークを提供し、データ増強と下流イメージング研究をサポートする。

関連論文リスト

• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• PET Image Reconstruction Using Deep Diffusion Image Prior [3.1878756384085936]
  拡散モデルに基づく解剖学的事前誘導PET画像再構成法を提案する。 提案手法は,PET法により誘導される拡散サンプリングとモデル微調整とを交互に行う。 実験結果から,提案するPET再構成法はトレーサー分布とスキャナータイプにまたがって頑健に一般化可能であることがわかった。
  論文  参考訳（メタデータ） (2025-07-20T18:25:29Z)
• 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)
• Cascaded 3D Diffusion Models for Whole-body 3D 18-F FDG PET/CT synthesis from Demographics [13.016275337899895]
  人口統計学変数から直接高忠実度3D PET/CTボリュームを合成するための3次元拡散モデルフレームワークを提案する。 初期スコアベース拡散モデルでは、人口統計学的変数のみから低分解能PET/CTボリュームを合成する。 この後、空間分解能を洗練させる超解像残留拡散モデルが続く。
  論文  参考訳（メタデータ） (2025-05-28T15:38:33Z)
• GAN-based synthetic FDG PET images from T1 brain MRI can serve to improve performance of deep unsupervised anomaly detection models [1.1259214300411828]
  我々は、T1強調MRIデータから合成脳(18F)フルオロデオキシグルコース(FDG)PET画像を生成するための異なるGANベースのフレームワークを設計、比較した。 深部非教師付き異常検出(UAD)モデルのトレーニングにおいて,これらの偽PETデータを使用することによるさらなる影響について検討する。 以上の結果から, MR T1からFDG PETへの変換, トランスフォーマーや拡散モデルよりも優れたGANモデルが最適であることが確認された。
  論文  参考訳（メタデータ） (2025-05-12T09:00:03Z)
• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• 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)
• PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics [48.683457383784145]
  r: (i) 生理領域, (ii) ディープフェイクス領域, (iii) プレゼンテーション攻撃領域に基づく提示攻撃検出のための3つのアプローチ その結果、プレゼンテーションアタックドメインを生理的およびディープフェイクスドメインと比較すると、平均分類誤り率(ACER)が21.70%減少していることがわかった。 実験では、r-ベースモデルにおける伝達学習の効率を強調し、この生理的特徴のコピーを許さない機器での提示攻撃検出をうまく行う。
  論文  参考訳（メタデータ） (2023-10-03T15:24:15Z)
• 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)

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。