論文の概要: Flow Matching-Based PET Image Reconstruction
- arxiv url: http://arxiv.org/abs/2608.20112v1
- Date: Thu, 20 Aug 2026 14:42:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.601275
- Title: Flow Matching-Based PET Image Reconstruction
- Title（参考訳）: フローマッチングに基づくPET画像再構成
- Abstract要約: フローマッチングは中間状態からクリーンな画像を直接推定することができる。
生成モデルはポジトロン・エミッション・トモグラフィー(PET)の再構築に強い可能性を示している。
- 参考スコア（独自算出の注目度）: 4.971881974135159
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models have shown strong potential for positron emission tomography (PET) image reconstruction. Although diffusion model-based reconstruction methods have demonstrated promising performance, they often require many reverse sampling steps with data-consistency updates incorporated into the sampling process. Flow matching offers an attractive alternative because it can directly estimate clean images from intermediate states, allowing data-consistency refinement to be separated from flow propagation. In this work, we proposed flow matching-based PET image reconstruction methods. We first established PET-FlowDPS by incorporating Poisson likelihood guidance with an expectation-maximization (EM)-based preconditioner into the FlowDPS framework. We then proposed a model-based PET reconstruction method that used a pretrained flow matching model as a prior, in which the flow-based prior, PET data refinement, and stochastic propagation were interpreted within an approximate Bayesian framework. Experimental results using [$^{\text{18}}\text{F}$]FDG brain PET datasets showed that the proposed method achieved better bias-variance trade-offs across different dose levels compared with other reference methods. These results demonstrated the potential of flow matching as a generative prior for quantitative PET image reconstruction.
- Abstract（参考訳）: 生成モデルはポジトロン・エミッション・トモグラフィ(PET)画像再構成の強力な可能性を示している。
拡散モデルに基づく再構成手法は有望な性能を示したが、サンプリングプロセスにデータ一貫性を組み込んだ多くの逆サンプリングステップを必要とすることが多い。
フローマッチングは、中間状態から直接クリーンなイメージを推定し、データ一貫性の洗練をフロー伝搬から切り離すことができるので、魅力的な代替手段を提供する。
本研究では,フローマッチングに基づくPET画像再構成手法を提案する。
PET-FlowDPSを最初に確立したのは,ポアソン確率誘導と予測最大化(EM)に基づくプレコンディショナーをFlowDPSフレームワークに組み込むことである。
そこで我々は,事前学習フローマッチングモデルを用いたモデルベースPET再構成手法を提案し,フローベース前処理,PETデータ改質,確率伝播を近似ベイズフレームワーク内で解釈した。
提案手法は, [$^{\text{18}}\text{F}$]FDG 脳PETデータセットを用いて, 他の参照法と比較して, 異なる線量レベルのバイアス分散トレードオフを達成できた。
これらの結果から, PET画像の定量的再構成に先立って, フローマッチングの可能性が示された。
関連論文リスト
- Physics-Guided Flow Matching for CT Image Reconstruction [0.8460698440162889]
フローマッチングは高分解能CT画像再構成のための代替生成法である。
マヨクリニック低線量CTデータセットから256x256胸部画像を用いた高分解能リクティファイドフローマッチングモデルを訓練する。
論文 参考訳（メタデータ） (2026-08-28T12:17:43Z) - Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。
PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
論文 参考訳（メタデータ） (2026-07-03T17:55:01Z) - Steerable Conditional Diffusion for Domain Adaptation in PET Image Reconstruction [40.722159771726375]
本稿では,これまで導入してきたPET-LiSchフレームワークとステアブル条件拡散(SCD)を統合することを提案する。
現実的な合成2次元脳ファントムの実験は、我々のアプローチがドメインシフト下での幻覚的人工物を抑制することを実証している。
これらの結果から, 誘導性前駆体が拡散型PET再建におけるドメインシフトを緩和できるという概念実証が得られた。
論文 参考訳（メタデータ） (2025-10-15T11:40:03Z) - Score Distillation of Flow Matching Models [67.86066177182046]
我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。
SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。
これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
論文 参考訳（メタデータ） (2025-09-29T17:45:48Z) - 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) - Supervised Diffusion-Model-Based PET Image Reconstruction [44.89560992517543]
PET画像再構成の前兆として拡散モデル (DM) が導入された。
PET再構成のための教師付きDMベースアルゴリズムを提案する。
本手法はPETのポアソン確率モデルの非負性性を強制し,PET画像の広い範囲に適応する。
論文 参考訳（メタデータ） (2025-06-30T16:39:50Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - 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) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳（メタデータ） (2023-06-05T22:09:06Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Direct PET Image Reconstruction Incorporating Deep Image Prior and a
Forward Projection Model [0.0]
畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。
深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。
提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
論文 参考訳（メタデータ） (2021-09-02T08:07:58Z)
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。