論文の概要: A systematic evaluation of machine learning classifiers for event-by-event background rejection in LAFOV PET scanners
- arxiv url: http://arxiv.org/abs/2607.25732v1
- Date: Tue, 28 Jul 2026 13:57:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.862411
- Title: A systematic evaluation of machine learning classifiers for event-by-event background rejection in LAFOV PET scanners
- Title(参考訳): LAFOV PETスキャナにおけるイベント・バイ・イベント背景拒絶のための機械学習分類器の系統的評価
- Abstract要約: LAFOV PETスキャナーは、偶然の偶然、幻散乱光子、検出器散乱光子からバックグラウンドレートを増加させる。
一致分類を教師付き多クラス問題として定式化し,XGBoost,AdaBoost,Neural Networkの分類を事前再構成フィルタとして評価する。
我々の最良のモデルはNEMA IECとXCATのファントムに対して最大0.74と0.69の精度を達成し、従来の幾何学に基づくカットよりも優れています。
- 参考スコア(独自算出の注目度): 0.28106259549258145
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The introduction of LAFOV PET scanners brings significant sensitivity gains but also a substantial increase in the background rate from accidental coincidences, phantom-scattered and detector-scattered photons. While machine learning methods have been applied to background reduction in PET imaging, they target specific background components in post-processing rather than event-by-event classification on the raw data. In this work, we formulate coincidence classification as a supervised multi-class problem and evaluate XGBoost, AdaBoost and Neural Network classifiers as pre-reconstruction filters, using Monte Carlo simulations of the Siemens Biograph Vision Quadra scanner with NEMA IEC and anthropomorphic XCAT phantoms. We investigate two feature sets: a 4-feature representation based on the Attenuation Factor, photon time difference, energy sum, and energy difference, and an extended 6-feature set that incorporates topology-based variables. A systematic robustness study via cross-phantom inference reveals that the 4-feature models generalise significantly better across different phantom geometries, with XGBoost suffering an accuracy loss of only 0.04 compared to 0.13 for the 6-feature variant. Our best models achieve accuracies of up to 0.74 and 0.69 for the NEMA IEC and XCAT phantoms, respectively, outperforming traditional geometry-based cuts. However, we show that this compact feature set not only provides limited suppression of in-phantom scattered coincidences, but it also can lead to non-trivial spatial patterns. With scattered coincidences being the dominant background component in clinical conditions, this suggests that while the method serves as an effective and geometry-agnostic replacement for traditional cut-based selection, meaningful further gains in image quality will require either larger input representations or dedicated treatment of the phantom-scattered component.
- Abstract(参考訳): LAFOV PETスキャナーの導入により感度は大幅に向上するが、偶然の偶然、幻散乱光子、検出器散乱光子からの背景速度も大幅に上昇する。
PET画像の背景分解には機械学習手法が応用されているが、生データのイベント・バイ・イベント分類ではなく、後処理の特定の背景成分をターゲットにしている。
本研究では,XGBoost,AdaBoost,Neural Network分類器を事前再構成フィルタとして,NEMA IECと擬人化XCATファントムを用いたSiemens Biograph Vision Quadraスキャナのモンテカルロシミュレーションを用いて,教師付きマルチクラス問題として一致分類を定式化し,XGBoost,AdaBoost,Neural Network分類器をプレコンストラクションフィルタとして評価する。
本研究では,減衰係数に基づく4機能表現,光子時間差,エネルギー和,エネルギー差の2つの特徴集合と,位相に基づく変数を組み込んだ拡張6機能集合について検討する。
クロスファントム推論による系統的ロバストネスの研究により、XGBoostは6つのファントムの0.13に比べて0.04の精度の損失しかなく、4つのファントムのモデルは異なるファントムのジオメトリーで大幅に一般化されていることが明らかになった。
我々の最良のモデルはNEMA IECとXCATのファントムに対して最大0.74と0.69の精度を達成し、従来の幾何学に基づくカットよりも優れています。
しかし, このコンパクトな特徴集合は, ファントム内乱れを限定的に抑制するだけでなく, 非自明な空間パターンをもたらすことも示している。
本手法は従来のカットベース選択の有効かつ幾何学的代替として機能するが,画像品質のさらなる向上には,より大きな入力表現やファントム散乱成分の専用処理が必要であることが示唆された。
関連論文リスト
- Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。
VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。
本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文 参考訳(メタデータ) (2026-09-11T05:21:01Z) - A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。
アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
論文 参考訳(メタデータ) (2026-03-15T21:34:59Z) - StrokeNeXt: A Siamese-encoder Approach for Brain Stroke Classification in Computed Tomography Imagery [0.7877961820015923]
2次元CT画像におけるストローク分類モデルであるStrokeNeXtを提案する。
StrokeNeXtは2つのConvNeXtエンコーダを備えたデュアルブランチ設計を採用しており、その特徴は軽量な畳み込みデコーダによって融合している。
このモデルは6,774枚のCT画像から評価され,脳卒中検出と脳出血症例のサブタイプ分類の両方に対処する。
論文 参考訳(メタデータ) (2026-02-16T13:56:37Z) - Multi-Scale PCB Defect Detection with YOLOv8 Network Improved via Pruning and Lightweight Network [0.0]
YOLOv8は、バックボーンネットワーク、ネックネットワーク、検出ヘッド、損失関数、適応プルーニング率を最適化することにより、検出速度と精度を向上させることができる。
公開されているPCB欠陥データセットでは、mAP0.5は99.32%、mAP0.5:0.9は75.18%に達し、YOLOv8nよりも10.13%高い。
論文 参考訳(メタデータ) (2025-07-23T03:47:00Z) - CheX-DS: Improving Chest X-ray Image Classification with Ensemble Learning Based on DenseNet and Swin Transformer [11.793925474509756]
自己注意機構はコンピュータビジョンの分野に導入され、優れた性能を示している。
本稿では,胸部X線医学領域におけるロングテール多ラベルデータの分類に有効なモデルであるCheX-DSを提案する。
このモデルは医療画像のための優れたCNNモデルDenseNetと、新しく普及したSwin Transformerモデルに基づいている。
論文 参考訳(メタデータ) (2025-05-16T12:10:01Z) - Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳(メタデータ) (2023-12-27T17:36:32Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳(メタデータ) (2023-10-14T11:03:04Z) - Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object
Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。
糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。
我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文 参考訳(メタデータ) (2023-06-26T16:48:20Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳(メタデータ) (2022-04-21T06:36:10Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳(メタデータ) (2022-03-09T16:17:47Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z)
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。