arXiv:2510.23140v1 Announce Type: new 
Abstract: Tracer kinetic modeling serves a vital role in diagnosis, treatment planning, tracer development and oncology, but burdens practitioners with complex and invasive arterial input function estimation (AIF). We adopt a physics-informed CycleGAN showing promise in DCE-MRI quantification to dynamic PET quantification. Our experiments demonstrate sound AIF predictions and parameter maps closely resembling the reference.

تقدم دراسة حديثة نموذج CycleGAN المستند إلى الفيزياء الذي يعزز التصوير المقطعي بالإصدار البوزيتروني الديناميكي من خلال تحسين نمذجة الحركة للمتتبعات. تسهل هذه التطورات العملية المعقدة لتقدير دوال الإدخال الشرياني، وهو أمر حاسم للتشخيص الدقيق والتخطيط للعلاج في علم الأورام. تظهر النتائج الواعدة أن النموذج يمكنه التنبؤ بدوال الإدخال الشرياني وإنتاج خرائط للمعلمات تتطابق عن كثب مع المراجع المعتمدة، مما قد يحول طريقة تعامل الممارسين مع التصوير والعلاج.

Un estudio reciente presenta un CycleGAN informado por la física que mejora la imagenología PET dinámica al optimizar la modelización cinética de trazadores. Este avance simplifica el complejo proceso de estimación de funciones de entrada arterial, que es crucial para un diagnóstico y planificación de tratamientos precisos en oncología. Los resultados prometedores muestran que el modelo puede predecir funciones de entrada arterial y generar mapas de parámetros que se asemejan estrechamente a las referencias establecidas, transformando potencialmente la forma en que los profesionales abordan la imagenología y el tratamiento.

Une étude récente présente un CycleGAN informé par la physique qui améliore l'imagerie PET dynamique en optimisant la modélisation cinétique des traceurs. Cette avancée simplifie le processus complexe d'estimation des fonctions d'entrée artérielle, essentiel pour un diagnostic et une planification de traitement précis en oncologie. Les résultats prometteurs montrent que le modèle peut prédire les fonctions d'entrée artérielle et générer des cartes de paramètres qui correspondent étroitement aux références établies, transformant potentiellement l'approche des praticiens en matière d'imagerie et de traitement.

A recent study introduces a physics-informed CycleGAN that enhances dynamic PET imaging by improving tracer kinetic modeling. This advancement simplifies the complex process of estimating arterial input functions, which is crucial for accurate diagnosis and treatment planning in oncology. The promising results show that the model can predict arterial input functions and generate parameter maps that closely match established references, potentially transforming how practitioners approach imaging and treatment.

Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN

arXiv:2510.27680v2 Announce Type: replace-cross 
Abstract: Generating automated reports for 3D positron emission tomography (PET) is an important and challenging task in medical imaging. PET plays a vital role in oncology, but automating report generation is difficult due to the complexity of whole-body 3D volumes, the wide range of potential clinical findings, and the limited availability of annotated datasets. To address these challenges, we introduce PETARSeg-11K, the first large-scale, publicly available dataset that provides lesion-level correspondence between 3D PET/CT volumes and free-text radiological findings. It comprises 11,356 lesion descriptions paired with 3D segmentations. Second, we propose PETAR-4B, a 3D vision-language model designed for mask-aware, spatially grounded PET/CT reporting. PETAR-4B jointly encodes PET, CT, and 3D lesion segmentation masks, using a 3D focal prompt to capture fine-grained details of lesions that normally comprise less than 0.1% of the volume. Evaluations using automated metrics show PETAR-4B substantially outperforming all 2D and 3D baselines. A human study involving five physicians -- the first of its kind for automated PET reporting -- confirms the model's clinical utility and establishes correlations between automated metrics and expert judgment. This work provides a foundational dataset and a novel architecture, advancing 3D medical vision-language understanding in PET.

يمثل تقديم PETARSeg-11K، وهو مجموعة بيانات واسعة النطاق، وPETAR-4B، وهو نموذج للرؤية واللغة ثلاثي الأبعاد، تقدمًا كبيرًا في أتمتة توليد التقارير لتصوير الانبعاثات الموجبة (PET) وتصوير الأشعة المقطعية (CT). تهدف هذه المبادرة إلى معالجة تعقيدات التصوير الجسدي الكامل ونقص مجموعات البيانات المعلّمة، بهدف تحسين دقة وكفاءة التقارير الإشعاعية.

La introducción de PETARSeg-11K, un conjunto de datos a gran escala, y de PETAR-4B, un modelo de visión-lenguaje 3D, marca un avance significativo en la automatización de la generación de informes para la tomografía por emisión de positrones (PET) y la imagenología CT. Esta iniciativa aborda las complejidades de la imagenología corporal completa y la escasez de conjuntos de datos anotados, con el objetivo de mejorar la precisión y la eficiencia de los informes radiológicos.

L'introduction de PETARSeg-11K, un ensemble de données à grande échelle, et de PETAR-4B, un modèle de vision-langage 3D, marque une avancée significative dans l'automatisation de la génération de rapports pour la tomographie par émission de positons (PET) et l'imagerie CT. Cette initiative vise à résoudre les complexités de l'imagerie corporelle entière et la rareté des ensembles de données annotées, dans le but d'améliorer la précision et l'efficacité des rapports radiologiques.

The introduction of PETARSeg-11K, a large-scale dataset, and PETAR-4B, a 3D vision-language model, marks a significant advancement in automating report generation for 3D positron emission tomography (PET) and CT imaging. This initiative addresses the complexities of whole-body imaging and the scarcity of annotated datasets, aiming to enhance the accuracy and efficiency of radiological reporting.

Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN

Was this article worth reading? Share it

Brainactive

LucidQuery AI

AIPortalX