文献

J-GLOBAL ID：201802227100044555   整理番号：18A0938693

低線量における高品質PET画像推定のための3D条件付き生成敵対ネットワーク【JST・京大機械翻訳】

3D conditional generative adversarial networks for high-quality PET image estimation at low dose

著者 (13件)： Wang Yan (School of Computer Science, Sichuan University, China) ,  Yu Biting (School of Computing and Information Technology, University of Wollongong, Australia) ,  Wang Lei (School of Computing and Information Technology, University of Wollongong, Australia) ,  Zu Chen (School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, China) ,  Lalush David S. (Joint Department of Biomedical Engineering, University of North Carolina at Chapel Hill and North Carolina State University, NC, USA) ,  Lin Weili (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, USA) ,  Wu Xi (School of Computer Science, Chengdu University of Information Technology, China) ,  Zhou Jiliu (School of Computer Science, Sichuan University, China) ,  Zhou Jiliu (School of Computer Science, Chengdu University of Information Technology, China) ,  Shen Dinggang (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, USA) ,  Shen Dinggang (Department of Brain and Cognitive Engineering, Korea University, Seoul, 02841, South Korea) ,  Zhou Luping (School of Electrical and Information Engineering, University of Sydney, Australia) ,  Zhou Luping (School of Computing and Information Technology, University of Wollongong, Australia)
資料名： NeuroImage  (NeuroImage)
巻： 174  ページ： 550-562  発行年： 2018年 
JST資料番号： W3139A  ISSN： 1053-8119  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 陽電子放出断層撮影(PET)は広く使用されている画像診断法であり,人体の生化学的および生理学的過程の両方に洞察を提供する。通常,完全線量放射性トレーサは,臨床的ニーズに対する高品質PET画像を得るために必要である。これは,潜在的健康危険に関する懸念を必然的に提起する。一方,線量低減は再構成PET画像における雑音の増加を引き起こす可能性があり,画像品質にある程度影響を与える。本論文では,PET画像の高品質を維持しながら,放射線曝露を低減するために,低線量のものから高品質全線量PET画像を推定するために,3D条件付き生成敵ネットワーク(3D c-GANs)に基づく新しい方法を提案した。発電機ネットワーク(Gans)は,発電機ネットワークと識別器ネットワークを含んでいる。それらは,他の1つの拍動の目標と同時に訓練される。Gansと同様に,提案した3D c-GANsにおいて,入力低線量PET画像に関するモデルを条件化し,対応する出力全線量PET画像を生成した。特に,低線量と全線量PET画像の間の同じ基礎情報を与えるために,スキップ接続を用いて階層的特徴を結合できる3D Uネット様深いアーキテクチャを,全線量画像を合成するための発電機ネットワークとして設計した。合成したPET画像を実際のものに近いように保証するために,発電機ネットワークを訓練する識別器フィードバックに加えて推定誤差損失を考慮した。さらに,推定画像の品質をさらに改善するために,連結3D c-GANsに基づく漸進的精密化方式も提案した。検証は,正常被験者と軽度認知障害(MCI)と診断された被験者の両方を含む実際のヒト脳データセットで行った。実験結果は,提案した3D c-GANs法がベンチマーク法より優れており,定性的および定量的測度の両方において最先端の方法よりもはるかに優れた性能を達成することを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： フィードバック ,  *品質 ,  ヒト ,  *画像 ,  *三次元 ,  *放射線量 ,  雑音 ,  再構成 ,  画質 ,  放射線被曝 ,  *ネットワーク ,  計算機アーキテクチャ ,  測度 ,  PET【トモグラフィー】
準シソーラス用語： *PET画像 , 【Automatic Indexing@JST】

著者キーワード (5件)： 陽電子放出断層撮影(PET) ,  生成的敵対ネットワーク(GANS) ,  3D条件付きGans(3D c-Gans) ,  低線量PET ,  画像推定

分類 (2件)： 医用画像処理  (JE04020T) ,  放射線を利用した診断  (GC04020K)

タイトルに関連する用語 (6件)： 低線量 ,  高品質 ,  PET画像 ,  推定 ,  3D ,  敵対