Fugu-MT 論文翻訳(概要): Region-Weighted Losses and Model Fusion for Cross-Modal PET Attenuation Correction

論文の概要: Region-Weighted Losses and Model Fusion for Cross-Modal PET Attenuation Correction

arxiv url: http://arxiv.org/abs/2608.21881v1
Date: Sat, 22 Aug 2026 09:49:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.508233
Title: Region-Weighted Losses and Model Fusion for Cross-Modal PET Attenuation Correction
Title（参考訳）: PET減衰補正のための領域重み付き損失とモデル融合
Abstract要約: 本稿では,BIC-MAC(Big Cross-Modal Attenuation Correction)問題に対するアプローチについて述べる。 Hounsfield Unitsの擬似CTは、非Attenuation-Corrected PET(NAC-PET)、DIXON MRI、およびトポグラムから合成され、擬似CTとAttenuation-Corrected PET(AC-PET)の両方が再構成される。
参考スコア（独自算出の注目度）: 0.3550260049014719
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We describe our approach to the Big Cross-Modal Attenuation Correction (BIC-MAC) challenge, which asks for a pseudo-CT in Hounsfield Units to be synthesized from Non-Attenuation-Corrected PET (NAC-PET), DIXON MRI and a topogram, and scores both the pseudo-CT and the Attenuation-Corrected PET (AC-PET) reconstructed from it. Three ideas carried our improvements over the organizers' 3D U-Net baseline. The loss matters more than the architecture: we compute the $L_1$ error in the Carney attenuation-coefficient ($μ$) space that the CT metric itself uses, weighted by anatomical region. Only once that loss was in place did the unregistered DIXON MRI work as extra input channels. A fixed convex combination of two independently trained models then beat both of its members on three of the four metrics and ranks first overall on the public validation leaderboard.
Abstract（参考訳）: 本論文では,非Attenuation-Corrected PET (NAC-PET), DIXON MRI, およびトポグラムから擬似CTを合成し, 擬似CTとAttenuation-Corrected PET (AC-PET) を再構成した。 3つのアイデアは、主催者の3D U-Netベースラインよりも改善された。我々は、CTメートル法自体が使用するカーニー減衰係数(μ$)の誤差を解剖学的領域で重み付けして計算する。一度その損失が生じただけで、登録されていないDIXON MRIは追加の入力チャネルとして機能した。 2つの独立したトレーニングされたモデルの固定凸組み合わせは、4つのメトリクスのうち3つでメンバーを破り、公開検証のリーダーボードで1位になった。

関連論文リスト

BS: Take the Hint - Interactive Multitracer PET/CT Lesion Segmentation with a Scribble-Conditioned ResEnc U-Net [0.0]
オートPET/CT Vチャレンジは、画像と一緒にユーザのスクリブルを供給することによってセグメンテーションをインタラクティブにする。提案する提案は,CT,PET,スパーススクリブルマップの4つの入力チャネル上で動作するスクリブル条件付残エンコーダU-Netである。約85%の利得は最初のスクリブルに続いており、折り畳みモデル間の広がりは同じラウンドで5倍に狭まる。
論文参考訳（メタデータ） (2026-09-01T17:19:34Z)
Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning [0.0]
我々は,NAC-PET,MRI,および2Dトポグラムからの擬似CT生成のためのマルチモーダル3DパッチベースのU-Netを用いたBIC-MAC Challengeに参加した。我々は、モーダル間の正確なボクセルの対応に頼らず、相補的なモーダル情報を統合するモデルを得る。
論文参考訳（メタデータ） (2026-08-21T09:29:29Z)
Anatomical and Physical Supervision for CT-less PET Attenuation Correction: BIC-MAC 2026 Challenge [1.0160431513796213]
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。
論文参考訳（メタデータ） (2026-08-16T12:49:49Z)
A Dual Path Framework with Hotspot Guided Fusion for Three Dimensional CT to PET Synthesis in Head and Neck Cancer [0.0]
18F-FDG PET/CTは頭頸部癌に対するステージング、治療計画、反応評価において中心的な役割を果たす。日常的なCTスキャンからPETライクな画像を直接合成するディープ・ラーニング・フレームワークを提案する。
論文参考訳（メタデータ） (2026-07-23T20:33:50Z)
The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
論文参考訳（メタデータ） (2026-05-07T07:07:09Z)
Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
論文参考訳（メタデータ） (2026-02-02T07:21:15Z)
From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。 Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文参考訳（メタデータ） (2024-09-14T16:39:17Z)
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)
Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文参考訳（メタデータ） (2022-11-10T13:11:21Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation [17.623576885481747]
PET/CTボリュームからのリンパ腫の検出とセグメンテーションは外科的適応と放射線治療に不可欠である。 PET/CT融合層を有するUNetを用いた悪性リンパ腫のセグメンテーションモデルを提案する。 Diceスコア0.726で正確なセグメンテーション結果を得る。
論文参考訳（メタデータ） (2021-08-11T19:24:40Z)

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。