Cardiac PET/MR Attenuation Correction Using Dual Contrast CycleGAN with Novel μ-Map Loss
Notice bibliographique
Résumé
Attenuation correction (AC) for positron emission tomography (PET) is usually based on a sequentially acquired CT image. In PET/MRI systems, however, AC is challenging as MR intensity has no direct relationship with tissue density. We propose an improved method for cardiac PET AC using simultaneous Dixon MR. We use a deep learning method, based on Cycle Generative Adversarial Networks (CycleGANs), for bidirectional MR ↔CT translation, trained and evaluated on a dataset of PET/CT and PET/MR scans from 10 subjects ( 5 cardiac patients and 5 healthy controls). For each PET/MR scan, the MR is translated into a synthetic CT image, from which a μ-map is produced for PET AC via standard reconstruction. We enhanced the original CycleGAN with a novel μ-map loss term that penalizes differences between true CT-derived and synthetic CT-derived μ-maps. Testing on 2 subjects showed our GAN-MR PET-AC images had lower mean SUV Error (14%) than vendor-provided PET-AC (27\%), with in-phase Dixon MR significantly outperforming out-of-phase Dixon MR. In future work, we will evaluate clinical variables from different AC methods, with potential applications in radiation therapy planning and other inter-modal image translation tasks.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».