Posterior Estimation for Dynamic PET imaging using Conditional Variational Inference

要約

この研究は、活動曲線の時間の測定を考慮して、動的陽電子放射断層撮影 (PET) イメージングの動力学パラメーターの事後分布を効率的に推定することを目的としています。
順運動モデルによるパラメトリックイメージングから測定空間への固有の情報損失を考慮すると、逆マッピングは曖昧です。
従来の (ただし高価な) ソリューションは、不偏の漸近推定を生成することが知られているマルコフ連鎖モンテカルロ (MCMC) サンプリングです。
効率的な事後推定のための深層学習ベースのフレームワークを提案します。
具体的には、潜在変数を導入することで、フォワードプロセスでの情報損失に対処します。
次に、条件付き変分オートエンコーダー (CVAE) を使用して、その証拠の下限を最適化します。
よく訓練されたデコーダは、単純な多変量ガウス分布に従って、特定の測定値とサンプリングされた潜在変数を使用して事後分布を推論できます。
単純化された参照組織モデルを使用して、低次元データ (単一の脳領域) の参照として不偏 MCMC を使用して、CVAE ベースの方法を検証します。

要約(オリジナル)

This work aims efficiently estimating the posterior distribution of kinetic parameters for dynamic positron emission tomography (PET) imaging given a measurement of time of activity curve. Considering the inherent information loss from parametric imaging to measurement space with the forward kinetic model, the inverse mapping is ambiguous. The conventional (but expensive) solution can be the Markov Chain Monte Carlo (MCMC) sampling, which is known to produce unbiased asymptotical estimation. We propose a deep-learning-based framework for efficient posterior estimation. Specifically, we counteract the information loss in the forward process by introducing latent variables. Then, we use a conditional variational autoencoder (CVAE) and optimize its evidence lower bound. The well-trained decoder is able to infer the posterior with a given measurement and the sampled latent variables following a simple multivariate Gaussian distribution. We validate our CVAE-based method using unbiased MCMC as the reference for low-dimensional data (a single brain region) with the simplified reference tissue model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google