論文の概要: PET Quantification-Preserving Registration for Longitudinal Whole-Body PSMA PET/CT

• arxiv url: http://arxiv.org/abs/2610.21451v1
• Date: Thu, 15 Oct 2026 07:54:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.260742
• Title: PET Quantification-Preserving Registration for Longitudinal Whole-Body PSMA PET/CT
• Title（参考訳）: PSMA PET/CTにおけるPET定量化保存レジストレーション
• Abstract要約: 縦方向のPSMA PET/CT登録のために, 拡散型粗いLapIRNアーキテクチャを適用した。 この方法は、アフィン事前登録、マルチモーダルデフォルマブル登録、テストタイムインスタンス最適化を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 2.3214554936367784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We adapt the diffeomorphic coarse-to-fine LapIRN architecture for longitudinal whole-body PSMA PET/CT registration in the Learn2Reg 2026 PSMAReg challenge. The method combines affine pre-registration, multi-modal deformable registration, and test-time instance optimization. We further introduce PET biomarker preservation losses for metabolic tumor volume (MTV) and total lesion glycolysis (TLG), including Jacobian-based constraints, and a per-structure rigidity regularization for skeletal structures. The submitted configuration achieved 81.0% DSC and 6.17 mm HD95, with MTV and TLG errors of 3.3% and 3.3%, respectively, on our evaluation protocol. Code is available at https://github.com/koegl/psmareg.
• Abstract（参考訳）: 我々は,Learner2Reg 2026 PSMARegチャレンジにおいて,縦方向のPSMA PET/CT登録に微分型粗大化LapIRNアーキテクチャを適用した。 この方法は、アフィン事前登録、マルチモーダルデフォルマブル登録、テストタイムインスタンス最適化を組み合わせたものである。 さらに,代謝性腫瘍容積 (MTV) と総病変解離 (TLG) に対するPETバイオマーカー保存の損失について検討した。 提案した構成は81.0%のDSCと6.17 mmのHD95を達成し, MTVとTLGの誤差はそれぞれ3.3%, 3.3%であった。 コードはhttps://github.com/koegl/psmareg.comで入手できる。

関連論文リスト

• PETA:Parameter-Efficient Test-Time Adaptation for Virtual Screening [49.976632553053285]
  我々は,事前学習されたモデルをテスト時に直接適応するパラメータ効率のフレームワークであるPETAを提案する。 PETAは、分子拡散と化学的妥当性フィルタリングを通じてポケット特異な陰性を形成する。 ランク付け対象は、上位のスクリーニング結果が汚染される可能性のある、上位の無効候補の抑制に重点を置いている。
  論文  参考訳（メタデータ） (2026-08-20T11:17:27Z)
• 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)
• CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration [13.822676478055866]
  深層学習に基づく変形可能な登録では, 密度変位場(DDF)正則化器は最適化を安定化し, 大規模3次元ボリュームにおける非現実的変形を防止するために重要である。 本研究は,全身異方性PET登録のための単純で効果的なCTガイド付き空間変化正規化戦略を提案する。 提案法は,18F-PSMAおよび18F-FDGを含む296例の臨床横断PET/CTデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2026-04-24T16:38:24Z)
• Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT [4.376648893167674]
  AutoPET III ChallengeはPET/CT画像における腫瘍病変の自動切除の進歩に焦点を当てている。 我々は,PETスキャンの最大強度投影に基づいて,与えられたPET/CTのトレーサを識別する分類器を開発した。 我々の最終提出書は、公開可能なFDGおよびPSMAデータセットに対して76.90%と61.33%のクロスバリデーションDiceスコアを達成している。
  論文  参考訳（メタデータ） (2024-09-18T17:16:57Z)
• 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)
• A Unified Continual Learning Framework with General Parameter-Efficient Tuning [56.250772378174446]
  「事前学習$rightarrow$ダウンストリーム適応」は、継続学習の新しい機会と課題を提示する。 我々は,PETの1つのインスタンス化としてプロンプトを位置づけ,ラーニング・アキュミュレーション・アンサンブル(LAE)と呼ばれる統一的なCLフレームワークを提案する。 PET(Adapter、LoRA、Prefixなど)は、トレーニング済みのモデルをより少ないパラメータとリソースで下流のタスクに適応させることができる。
  論文  参考訳（メタデータ） (2023-03-17T15:52:45Z)

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。