論文の概要: Dual-Domain Equivariant Generative Adversarial Network for Multimodal CT-PET Synthesis

• arxiv url: http://arxiv.org/abs/2606.13341v1
• Date: Thu, 11 Jun 2026 13:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.818245
• Title: Dual-Domain Equivariant Generative Adversarial Network for Multimodal CT-PET Synthesis
• Title（参考訳）: マルチモーダルCT-PET合成のためのデュアルドメイン同変共振器ネットワーク
• Authors: Gabriel Steele, Alzahra Altalib, Alessandro Perelli,
• Abstract要約: マルチモーダルCT-PET画像合成のためのDDE-GAN(Dual-Domain Equivariant Generative Adversarial Network)を提案する。 DDE-GANは、空間領域と周波数領域の両方から共同で学習し、相補的な解剖学的およびスペクトル情報を取得することで課題に対処する。
• 参考スコア（独自算出の注目度）: 42.11510706776732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a Dual-Domain Equivariant Generative Adversarial Network (DDE-GAN) for multimodal CT-PET image synthesis. Traditional GAN-based approaches often operate solely in the spatial domain and ignore geometric consistency, resulting in limited structural fidelity. DDE-GAN addresses these challenges by jointly learning from both spatial and frequency (Fourier) domains, capturing complementary anatomical and spectral information. Furthermore, rotational equivariance embedded in the physics of the CT and PET measurements are integrated into the loss of both the generator and discriminator to ensure consistent responses under rotations, improving anatomical accuracy. A hierarchical dual-domain training strategy enforces intra- and inter-domain consistency through multi-stage loss functions. Evaluated on the HECKTOR 2022 CT-PET dataset, DDE-GAN achieves superior synthesis quality over baseline models for CT-PET image synthesis. The results demonstrate that combining dual-domain learning with geometric equivariance substantially enhances multimodal image synthesis accuracy and robustness, enabling practical applications in PET completion and data augmentation.
• Abstract（参考訳）: マルチモーダルCT-PET画像合成のためのDDE-GAN(Dual-Domain Equivariant Generative Adversarial Network)を提案する。 伝統的なGANベースのアプローチは、しばしば空間領域内でのみ動作し、幾何学的整合性を無視し、構造的忠実度が制限される。 DDE-GANは、空間領域と周波数領域(フーリエ)の両方から共同で学習し、相補的な解剖学的およびスペクトル情報を取得することで、これらの課題に対処する。 さらに、CTおよびPET測定の物理に埋め込まれた回転平衡は、発電機と判別器の両方の損失に統合され、回転下で一貫した応答が確保され、解剖学的精度が向上する。 階層的な二重ドメイントレーニング戦略は、多段階の損失関数を通じてドメイン内およびドメイン間一貫性を強制する。 HECKTOR 2022 CT-PETデータセットに基づいて,DDE-GANはCT-PET画像合成のためのベースラインモデルよりも優れた合成品質を実現する。 その結果、二領域学習と幾何等式を組み合わせることで、多モード画像合成の精度とロバスト性を大幅に向上させ、PETの完成とデータ拡張の実践的応用を可能にした。

関連論文リスト

• Generation of Heterogeneous PET Images from Uniform Organ Activity Maps Using a Pretrained Domain-Adapted Diffusion Model [1.3918848543076061]
  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。
  論文  参考訳（メタデータ） (2026-05-18T21:05:28Z)
• 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)
• 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)
• H2ASeg: Hierarchical Adaptive Interaction and Weighting Network for Tumor Segmentation in PET/CT Images [6.753315684414596]
  PET(Positron emission tomography)とCT(Computed tomography)の併用は、がんの診断や予後に日常的に用いられている。 従来のマルチモーダルセグメンテーションソリューションは、モダリティ融合の連結演算に依存している。 本稿では,H2ASeg と呼ばれる階層型適応的相互作用と重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T08:28:14Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• 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)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)

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。