論文の概要: Anatomical and Physical Supervision for CT-less PET Attenuation Correction: BIC-MAC 2026 Challenge
- arxiv url: http://arxiv.org/abs/2608.15721v1
- Date: Sun, 16 Aug 2026 12:49:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.402086
- Title: Anatomical and Physical Supervision for CT-less PET Attenuation Correction: BIC-MAC 2026 Challenge
- Title（参考訳）: CT-less PET減衰補正の解剖学的および物理的検討:BIC-MAC 2026 Challenge
- Abstract要約: BIC-MAC(Big Cross-Modal Attenuation Correction) 2026 Challenge for CT-less PET attenuation correct。
我々は,標準的な nnU-Net アーキテクチャを構築し,解剖学的および物理的監視を組み合わせることにより,擬似CT 品質と下流PET 再構成の両方を改善する。
- 参考スコア（独自算出の注目度）: 1.0160431513796213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This report describes our submission to the Big Cross-Modal Attenuation Correction (BIC-MAC) 2026 Challenge for CT-less PET attenuation correction through multimodal pseudo-CT synthesis. We build upon a standard nnU-Net architecture and combine anatomical and physical supervision to improve both pseudo-CT quality and downstream PET reconstruction. Anatomical supervision is introduced through a frozen TotalSegmentator feature extractor, anatomy-guided structural constraints and patch sampling, while physical supervision is achieved using a differentiable attenuation correction factor projection loss based on multi-angle attenuation projections. Furthermore, the network is initialized with pretrained weights obtained from training on the SynthRAD Challenge MR-to-CT dataset. Minimal architectural modifications are applied, while performance improvements are pursued across the nnU-Net pipeline, including preprocessing, plans, and supervision design, among other components. Our final submission demonstrates the effectiveness of combining anatomical supervision, attenuation physics, and efficient nnU-Net scaling for CT-less PET attenuation correction.
- Abstract（参考訳）: BIC-MAC(Big Cross-Modal Attenuation Correction, BIC-MAC) 2026 の多モード擬似CT合成によるCTレスPET減衰補正への挑戦について述べる。
我々は,標準的な nnU-Net アーキテクチャを構築し,解剖学的および物理的監視を組み合わせることにより,擬似CT 品質と下流PET 再構成の両方を改善する。
解剖学的監督は, 凍結したTotalSegmentator特徴抽出器, 解剖学的誘導構造制約, パッチサンプリングを通じて導入される。
さらに、このネットワークは、SynthRAD Challenge MR-to-CTデータセットのトレーニングから得られた事前訓練重量で初期化される。
最小限のアーキテクチャ修正が適用され、パフォーマンス改善は、前処理、計画、監視設計など、nnU-Netパイプライン全体で追求される。
最後に, 解剖学的監督, 減衰物理, 効率的な nnU-Net スケーリングを併用したCT レスPET 減衰補正の有用性について検討した。
関連論文リスト
- Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。
既存の方法はPBSに対して限られた有効性を示した。
PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
論文 参考訳（メタデータ） (2026-08-01T08:13:20Z) - Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。
我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。
以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
論文 参考訳（メタデータ） (2026-04-08T17:47:35Z) - 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) - PADM: A Physics-aware Diffusion Model for Attenuation Correction [5.394088312094123]
SPECT(Single-Photon Emission Computed Tomography)を用いた心筋灌流画像(MPI)における減衰アーティファクトの意義
本研究では,心筋SPECTにおける減衰補正のための新しいCTフリーソリューションを提案する。
具体的には,教師が学習する蒸留機構を通じて,明示的な物理の先行を組み込んだ拡散に基づく生成法であるPADM(Physical-Aware Attenuation Correction Diffusion Model)を紹介する。
論文 参考訳（メタデータ） (2025-11-10T10:54:46Z) - Why Registration Quality Matters: Enhancing sCT Synthesis with IMPACT-Based Registration [1.2560645967579729]
我々のモデルは、ResNet-34エンコーダを備えた2.5D U-Net++であり、解剖学的領域間で共同で訓練され、各領域ごとに微調整されている。
ローカルテストセットでは、IMPACTベースの登録は相互情報ベースの登録よりも正確で解剖学的に整合性がある。
論文 参考訳（メタデータ） (2025-10-24T11:40:21Z) - 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) - Synthetic CT Generation via Variant Invertible Network for All-digital
Brain PET Attenuation Correction [11.402215536210337]
減衰補正(AC)は, アーティファクトフリーで定量精度の高いポジトロン放射トモグラフィ(PET)画像の生成に不可欠である。
本稿では,脳PET画像における非減衰補正PET画像から,深層学習を用いて連続的に評価されたCT画像を生成するPET AC法を開発した。
論文 参考訳（メタデータ） (2023-10-03T08:38:52Z) - 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) - 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) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。