文献

J-GLOBAL ID：202202276220069027   整理番号：22A1050648

脳PETの適応データ駆動運動検出と最適化補正【JST・京大機械翻訳】

Adaptive data-driven motion detection and optimized correction for brain PET

著者 (12件)： Revilla Enette Mae (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Gallezot Jean-Dominique (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Naganawa Mika (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Toyonaga Takuya (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Fontaine Kathryn (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Mulnix Tim (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Onofrey John A. (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Onofrey John A. (Department of Urology, Yale University, New Haven, CT, USA) ,  Onofrey John A. (Department of Biomedical Engineering, Yale University, New Haven, CT, USA) ,  Carson Richard E. (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA) ,  Carson Richard E. (Department of Biomedical Engineering, Yale University, New Haven, CT, USA) ,  Lu Yihuan (Department of Radiology and Biomedical Imaging, Yale University, PO Box 208048, New Haven, CT 06520-8048, USA)
資料名： NeuroImage  (NeuroImage)
巻： 252  ページ： Null  発行年： 2022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： PETスキャン中の頭部運動は,動的データセットの速度論的解析から,画像品質劣化,高い取込と不正確な結果測定の領域における濃度の減少を引き起こす。以前に,外部運動追跡装置なしで頭部運動を検出するために,トレーサ分布(COD)の中心であるデータ駆動法を提案した。半自動検出アルゴリズムによるCODトレースの1次元を用いて動きを検出し,複数のユーザ定義パラメータと手動介入を必要とした。本研究では,雑音レベルに対する自動自己適応である新しいデータ駆動運動検出アルゴリズムを開発し,ユーザ定義パラメータを必要とせず,CODトレース(3DCOD)の3次元全てを用いた。3DCODは最初に検証され,30シミュレーション研究(18F-FDG,N=15;11C-ラクロプリド(RAC),N=15)を用いて大きな運動で試験された。提案した動き補正法を,高分解能研究トモグラフ(HRRT)スキャナ(18F-FDG,N=10;11C-RAC,N=10)およびSiemens Biograph mCTスキャナから得た2から取得した20の実人データセット上で試験した。”2]は,2つの実際のヒトデータセットでテストされた。” HRT”スキャナー(18F-FDG, N=10; 11C-RAC,N=10) および 2 をSiemens Biograph mCTスキャナから取得した。リアルタイムハードウェアベースの動き追跡情報(Vicra)は,すべての実際の研究に対して利用可能であり,金標準として使用した。3DCODをVicia,運動補正(NMC),1方向COD(1DCODと呼ぶ以前の方法),および2つの従来のフレームベース画像記録(FIR)アルゴリズム,すなわちFIR1(減衰補正で再構成された事前定義フレームに基づく)およびFIR2(減衰補正なし)を,シミュレーションおよび実研究の両方に対して比較した。シミュレーション研究に対して,3DCODは,Vicia(完全補正)と比較して,約2.3±1.4%(すべての被験者と11の脳領域にわたる平均±標準偏差)誤差を,Vicia(完全補正)と比較して,11C-RACで-3.4±1.7%,そして,NMC,FIR1,FIR2,および1DCODは,それぞれ,-25.4±11.1%(-11C-RACで-34.5±16.1%),-13.4±3.5%(-16.1±4.6%),-5.7±3.6%(-8.0±4.6%),および-2.6±1.5%(-5.1±2.1%)であった(全被験者と2つの領域にわたって).(-11C-RACで-34.5±16.1%,-13.4±3.5%(-16.1±4.6%),-5.7±3.6%)(-5.1±2.1%)。。(全被験者と2つの地域)のエラーは,それぞれ,-25.4±11.1%(-11C-RACで-34.5±16.1%),-13.4±3.5%(-16.1±4.6%)と-2.6±1.5%(-5.1±2.1%)であった。実際のHRRT研究に対して,3DCODはViciaと比較して18F-FDG(11C-RACに対して-0.4±3.2%)に対して-0.3±2.8%の差を生じたが,NMC,FIR1,FIR2及び1DCODは-14.9±9.0%(-24.5±14.6%),-3.6±4.9%(-13.4±14.3%),-0.6±3.4%(-6.7±5.3%)及び-1.5±4.2%(-2.2±4.1%)であった。要約すれば,提案した動き補正法は,非TOFスキャナで行った研究において,大きな頻繁な頭部運動を伴う非常に挑戦的なケースを含む,複数のトレーサに対するハードウェアベースの動き追跡法に匹敵する性能をもたらした。Copyright 2022 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： アルゴリズム ,  *最適化 ,  シミュレーション ,  標準偏差 ,  *脳 ,  ヒト ,  走査装置 ,  ハードウェア ,  ソラマメ属 ,  三次元 ,  パラメータ ,  PET【トモグラフィー】 ,  動き補償
準シソーラス用語： 頭部運動 ,  被験者 , 【Automatic Indexing@JST】

著者キーワード (6件)： PET ,  頭部運動 ,  データ駆動 ,  動き検出 ,  動き補正 ,  COD

分類 (2件)： 医用画像処理  (JE04020T) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 脳 ,  PET ,  適応 ,  データ駆動 ,  運動検出 ,  最適化