[2412.04339] पूरी तरह से 3 डी पीईटी छवि पुनर्निर्माण के लिए संभावना-निर्धारित स्कोर-आधारित जेनेरिक मॉडलिंग

जॉर्ज वेबर और 5 अन्य लेखकों द्वारा पूरी तरह से 3 डी पीईटी छवि पुनर्निर्माण के लिए संभावना-शेड्यूल किए गए स्कोर-आधारित जेनेरिक मॉडलिंग शीर्षक वाले पेपर का एक पीडीएफ देखें।

पीडीएफ देखें
एचटीएमएल (प्रयोगात्मक)

अमूर्त:पूर्व-प्रशिक्षित स्कोर-आधारित जनरेटिव मॉडल (SGMS) के साथ मेडिकल इमेज पुनर्निर्माण के पास अन्य मौजूदा अत्याधुनिक गहरे-सीखे गए पुनर्निर्माण विधियों पर फायदे हैं, जिसमें विभिन्न स्कैनर सेटअप और उन्नत छवि वितरण मॉडलिंग के लिए बेहतर लचीलापन शामिल है। एसजीएम-आधारित पुनर्निर्माण को हाल ही में सिम्युलेटेड पॉज़िट्रॉन एमिशन टोमोग्राफी (पीईटी) डेटासेट पर लागू किया गया है, जो अत्याधुनिक के सापेक्ष आउट-ऑफ-डिस्ट्रिब्यूशन घावों के लिए बेहतर विपरीत वसूली दिखा रहा है। हालांकि, पीईटी डेटा से एसजीएम-आधारित पुनर्निर्माण के लिए मौजूदा तरीके धीमी गति से पुनर्निर्माण, बोझिल हाइपरपैमीटर ट्यूनिंग और स्लाइस असंगतता प्रभाव (3 डी में) से पीड़ित हैं। इस काम में, हम पूरी तरह से 3 डी पुनर्निर्माण के लिए एक व्यावहारिक कार्यप्रणाली का प्रस्ताव करते हैं जो पुनर्निर्माण को तेज करता है और अधिकतम-संभावना अपेक्षा अधिकतमकरण एल्गोरिथ्म के एक वर्तमान पुनरावृत्ति के लिए एक एसजीएम के रिवर्स डिफ्यूजन प्रक्रिया की संभावना से मेल करके महत्वपूर्ण हाइपरपैमीटर की संख्या को कम करता है। नकली से कम-गिनती पुनर्निर्माण के उदाहरण का उपयोग करना [$^{18}$F]DPA-714 डेटासेट, हम दिखाते हैं कि हमारी कार्यप्रणाली एनआरएमएसई और एसएसआईएम पर मौजूदा अत्याधुनिक एसजीएम-आधारित पीईटी पुनर्निर्माण के पुनर्निर्माण के समय और हाइपरपैमीटर ट्यूनिंग की आवश्यकता को कम करते हुए मेल कर सकती है। हम अत्याधुनिक पर्यवेक्षित और पारंपरिक पुनर्निर्माण एल्गोरिदम के खिलाफ अपनी कार्यप्रणाली का मूल्यांकन करते हैं। अंत में, हम वास्तविक 3 डी पीईटी डेटा के लिए एसजीएम-आधारित पुनर्निर्माण के पहले-पहले कार्यान्वयन को प्रदर्शित करते हैं, विशेष रूप से [$^{18}$F]DPA-714 डेटा, जहां हम स्लाइस असंगतता के मुद्दों को खत्म करने के लिए लंबवत पूर्व-प्रशिक्षित SGM को एकीकृत करते हैं।