Deep learning-based prediction of later 13N-ammonia myocardial PET image frames from initial frames
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dynamic Myocardial Positron Emission Tomography (PET) evaluates myocardial uptake. However, extended acquisition time during the dynamic PET can be a drawback, causing patient discomfort and potential motion artifacts. To address this, we employed deep learning (DL) techniques to predict later time frames using their initial ones. We used the dataset of 350 patients who underwent 13 N-ammonia dynamic myocardial PET scans to train three DL models (U-Net, U-Net with self-attention layers, and Attention ResNet). All networks underwent three stages of training to predict the last 10, 14, and 17 late frames, respectively, using the initial 11, 7, and 4 of initial time frames. This study evaluates the performance of those models in predicting later frames of PET images. The accuracy of the predicted time frames was assessed using quantitative metrics, including peak signal-to-noise ratio (PSNR), structural similarity index measure (SSIM), multi-scale SSIM (MS-SSIM), multi-scale gradient magnitude similarity deviation (MS-GMSD), The Haar perceptual similarity index (HaarPSI) and mean squared error (MSE). Results indicate that the attention-based model consistently outperforms U-Net, especially when the number of initial frames is reduced. Attention ResNet excels, achieving higher PSNR=43.1 ± 0.7, SSIM=0.98 ± 0.003, MS-SSIM=0.96 ± 0.004, and lower MSE=0.24 ± 9e-5 and MS-GMSD=0.035 ± 0.004. The importance of an adequate number of initial frames for accurate predictions is highlighted. Evaluation parameter curves further illustrate the models’ performance, showcasing the robustness of the Attention ResNet model, making it a strong candidate for time frame prediction in PET imaging. In conclusion, the results demonstrate the potential of DL models for predicting late frames of dynamic PET.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle