文献

J-GLOBAL ID：201902267466663570   整理番号：19A1555444

深部画像を用いたPET画像再構成【JST・京大機械翻訳】

PET Image Reconstruction Using Deep Image Prior

著者 (4件)： Gong Kuang (Gordon Center for Medical Imaging, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA) ,  Catana Ciprian (Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA) ,  Qi Jinyi (Department of Biomedical Engineering, University of California at Davis, Davis, CA, USA) ,  Li Quanzheng (Gordon Center for Medical Imaging, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA)
資料名： IEEE Transactions on Medical Imaging  (IEEE Transactions on Medical Imaging)
巻： 38  号： 7  ページ： 1655-1665  発行年： 2019年 
JST資料番号： H0895A  ISSN： 0278-0062  CODEN： ITMID4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近,深いニューラルネットワークはコンピュータビジョンタスクに広く適用され,成功裏に適用され,医用イメージングに関心を集めている。医用画像への深い神経回路網の応用に対する一つの障壁は,大量の事前訓練ペアの必要性であり,それは臨床診療において必ずしも実行可能ではない。これは,生データが必要な医用画像再構成問題に対して特に正しい。本論文では,深い画像の前のフレームワークに触発されて,本論文では,事前の訓練ペアが必要とされない個人化されたネットワーク訓練法を提案したが,患者自身の事前情報のみを提案した。ネットワークは,患者特有の事前情報と測定データを用いて,反復再構成プロセスの間に更新される。最大尤度推定を制約付き最適化問題として定式化し,乗算器アルゴリズムの交互方向法を用いて解いた。磁気共鳴イメージング誘導陽電子放出トモグラフィー再構成を例として用いて,提案したフレームワークの有効性を実証した。シミュレーションと実際のデータに基づく定量化結果は,提案した再構成フレームワークが,カーネル法またはニューラルネットワークペナルティを用いて,Gauss型ポスト平滑化と解剖学的にガイドされた再構成を上回ることができることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  NMRイメージング ,  コンピュータビジョン ,  *画像再構成 ,  定式化 ,  *画像 ,  平滑化 ,  PET【トモグラフィー】 ,  ニューラルネットワーク ,  医用画像 ,  ネットワーク ,  ペナルティ ,  *再構成
準シソーラス用語： 事前知識 ,  医用画像処理 , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (3件)： 深部 ,  PET画像 ,  再構成