論文の概要: UniPET: a universal network for high-quality PET image denoising across varied dose reduction factors
- arxiv url: http://arxiv.org/abs/2606.11131v1
- Date: Tue, 09 Jun 2026 17:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.639335
- Title: UniPET: a universal network for high-quality PET image denoising across varied dose reduction factors
- Title（参考訳）: UniPET: 各種線量減少因子にまたがる高品質PET画像の普遍的ネットワーク
- Authors: Zhiwen Yang, Yang Zhou, Haowei Chen, Hui Zhang, Dan Zhao, Bingzheng Wei, Yan Xu,
- Abstract要約: そこで本研究では,多様なDRFにまたがる高品質なPET画像デノイングを実現するために,ユニバーサルPET画像デノージングネットワーク(UniPET)を提案する。
UniPETは、スタイルアライメントネットワーク(SAN)と地域認識学習戦略(RALS)の2つの主要な革新を含んでいる。
- 参考スコア（独自算出の注目度）: 14.608830201942423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing deep learning-based PET image denoising methods assume a fixed and known dose reduction factor (DRF) for low-dose PET images. However, these methods encounter significant performance degradation when the DRF varies beyond the assumed one in practical applications. To address the challenge posed by varied DRFs, several preliminary studies focus on the task of universal PET image denoising, aiming to train a universal model over low-dose data across DRFs. Nonetheless, these vanilla universal models often struggle with misaligned styles present in different DRF data, leading to the \textit{style elimination issue} with a significant over-smoothing effect. To deal with this issue, we innovatively introduce domain generalization to PET image denoising and propose a universal PET image denoising network (UniPET) to achieve high-quality PET image denoising across diverse DRFs. UniPET comprises two primary innovations: a style alignment network (SAN) and a region-aware learning strategy (RALS). Specifically, SAN utilizes style alignment techniques derived from domain generalization to align and recover styles across different DRFs, ensuring the model's generalizability across various DRFs while effectively preserving styles. Furthermore, to enhance style recovery, RALS distinguishes between flat and stylized regions, exclusively conducting adversarial learning on the latter, thereby more effectively guiding the model's focus towards learning stylized regions. It is demonstrated that our proposed UniPET can adaptively recover different DRF styles and achieve high-quality PET image denoising across DRFs. Comprehensive experiments show that UniPET exhibits comparable performance to individual DRF-specific models at specific DRFs and realizes state-of-the-art performance in universal PET image denoising quantitatively, perceptually, and clinically.
- Abstract（参考訳）: 既存のディープラーニングベースのPET画像復調法の多くは、低線量PET画像に対して、固定的で既知の線量削減因子(DRF)を仮定している。
しかし, これらの手法は, DRFが推定値を超えれば性能が著しく低下する。
多様なDRFによって引き起こされる課題に対処するために、いくつかの予備的研究は、DRFを横断する低線量データに対して普遍的なモデルを訓練することを目的として、普遍的なPET画像復調の課題に焦点を当てている。
しかしながら、これらのバニラ普遍モデルは、異なるDRFデータに存在する不整合スタイルとしばしば苦労し、大きなオーバー・スムーシング効果を持つ「textit{style elimination issue」へと繋がる。
この問題に対処するために,ドメインの一般化を革新的にPET画像に導入し,多様なDRFにまたがる高品質なPET画像を実現するユニバーサルPET画像デノナイズネットワーク(UniPET)を提案する。
UniPETには、スタイルアライメントネットワーク(SAN)と地域対応学習戦略(RALS)の2つの主要な革新が含まれている。
具体的には、ドメイン一般化から派生したスタイルアライメント手法を用いて、異なるDRFをまたいだスタイルの整列と復元を行い、モデルが様々なDRFをまたいだ一般化性を確保しながら、効果的にスタイルを保存する。
さらに、スタイル回復を強化するために、ALSはフラットな領域とスタイル化された領域を区別し、後者に敵対的な学習を排他的に行うことにより、モデルがスタイル化された領域を学習することをより効果的に導く。
提案した UniPET は,異なる DRF スタイルを適応的に復元し,高画質な PET イメージを DRF 全体で再現できることが実証された。
総合的な実験により、UniPETは特定のDRFにおいて個々のDRF固有のモデルに匹敵する性能を示し、普遍的なPET画像における最先端のパフォーマンスを定量的、知覚的、臨床的に実現している。
関連論文リスト
- Supervise-assisted Multi-modality Fusion Diffusion Model for PET Restoration [13.223240177272087]
ポジトロン・エミッション・トモグラフィ(PET)は、強力な機能的イメージングを提供するが、放射線被曝を伴う。放射線線量やスキャン時間を減らすことで、画像の品質を低下させることができる。
低用量PET (LPET) から標準用量PET (SPET) を復元するために、より明確な解剖学的情報を持つMRI画像を使用することは、有望なアプローチであるが、マルチモーダル融合の構造とテクスチャに矛盾のある課題に直面している。
高品質PET修復における課題に対処するために, スーパーバイス支援多モード融合拡散モデル (MFdiff) を提案する。
論文 参考訳（メタデータ） (2026-02-12T04:06:48Z) - FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。
FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。
まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。
第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文 参考訳（メタデータ） (2025-08-24T11:03:56Z) - Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet [3.83243615095535]
近年の深層学習に基づく denoising 手法は,臨床環境の多様性に適応する上で課題に直面している。
全身PET画像のための新しい3Dコントロールネットを用いたデノライズ手法を提案する。
論文 参考訳（メタデータ） (2024-11-08T03:06:47Z) - Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす
近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。
我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
論文 参考訳（メタデータ） (2024-10-23T13:05:26Z) - Volumetric Conditional Score-based Residual Diffusion Model for PET/MR Denoising [13.694516702501097]
PETイメージングは、分子および生理過程の定量的評価を提供する強力なモダリティである。
PET画像における内在性高ノイズレベルからPET脱ノイズの必要性が生じる。
条件スコアに基づくResidual Diffusion(CSRD)モデルでは,高精細なスコア関数と3Dパッチワイドトレーニング戦略を取り入れることで,これらの問題に対処する。
論文 参考訳（メタデータ） (2024-09-30T19:35:22Z) - Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
近年の拡散モデル (DM) はHDRイメージング分野に導入されている。
DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。
ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
論文 参考訳（メタデータ） (2024-04-01T01:32:11Z) - 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) - TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction
from Low-Dose Sinograms [45.24575167909925]
TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。
最先端の手法を質的に、定量的に上回る。
GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
論文 参考訳（メタデータ） (2023-08-10T06:20:00Z) - CG-3DSRGAN: A classification guided 3D generative adversarial network
for image quality recovery from low-dose PET images [10.994223928445589]
PET画像では, トレーサー線量による高放射能が主な関心事である。
投与量を減少させると、画像の質が不十分になる。
CNNを用いた低線量PET合成法が開発されている。
論文 参考訳（メタデータ） (2023-04-03T05:39:02Z) - Self-Supervised Pre-Training for Deep Image Prior-Based Robust PET Image
Denoising [0.5999777817331317]
ポジトロン・エミッション・トモグラフィ(PET)画像修復にDeep Image prior (DIP) が有効である。
DIPに基づくPET画像復調性能を改善するための自己教師付き事前学習モデルを提案する。
論文 参考訳（メタデータ） (2023-02-27T06:55:00Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z)
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。