論文の概要: Advancing machine learning for MR image reconstruction with an open competition: Overview of the 2019 fastMRI challenge

• arxiv url: http://arxiv.org/abs/2001.02518v1
• Date: Mon, 6 Jan 2020 23:00:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:54:17.898456
• Title: Advancing machine learning for MR image reconstruction with an open competition: Overview of the 2019 fastMRI challenge
• Title（参考訳）: MR画像再構成のための機械学習のオープンコンペティション:2019年の高速MRIチャレンジの概要
• Authors: Florian Knoll, Tullie Murrell, Anuroop Sriram, Nafissa Yakubova, Jure Zbontar, Michael Rabbat, Aaron Defazio, Matthew J. Muckley, Daniel K. Sodickson, C. Lawrence Zitnick and Michael P. Recht
• Abstract要約: MR画像再構成のための機械学習分野の研究をオープンチャレンジで進める。 対象者は1,594回の膝臨床検査から得られた生のk-spaceデータである。 この課題の目標は、これらのデータからイメージを再構築することであった。
• 参考スコア（独自算出の注目度）: 17.37669379313434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To advance research in the field of machine learning for MR image reconstruction with an open challenge. Methods: We provided participants with a dataset of raw k-space data from 1,594 consecutive clinical exams of the knee. The goal of the challenge was to reconstruct images from these data. In order to strike a balance between realistic data and a shallow learning curve for those not already familiar with MR image reconstruction, we ran multiple tracks for multi-coil and single-coil data. We performed a two-stage evaluation based on quantitative image metrics followed by evaluation by a panel of radiologists. The challenge ran from June to December of 2019. Results: We received a total of 33 challenge submissions. All participants chose to submit results from supervised machine learning approaches. Conclusion: The challenge led to new developments in machine learning for image reconstruction, provided insight into the current state of the art in the field, and highlighted remaining hurdles for clinical adoption.
• Abstract（参考訳）: 目的:オープンチャレンジによるMR画像再構成のための機械学習分野の研究を進めること。 方法: 膝の1,594回の臨床検査から得られた生のk空間データのデータセットを参加者に提供した。 課題の目標は、これらのデータから画像を再構築することであった。 mr画像再構成に精通していない人のために,実データと浅い学習曲線のバランスをとるために,マルチコイルデータとシングルコイルデータの複数のトラックを実行した。 定量的画像計測に基づく2段階評価を行い,放射線科医による評価を行った。 挑戦は2019年6月から12月まで行われた。 結果: 合計33回のチャレンジが寄せられました。 参加者全員が、教師付き機械学習アプローチの結果を提出することを選んだ。 結論: この課題は、画像再構成のための機械学習の新たな発展につながり、この分野における技術の現状に関する洞察を提供し、臨床導入の障害を浮き彫りにした。

関連論文リスト

• MIPI 2024 Challenge on Few-shot RAW Image Denoising: Methods and Results [105.4843037899554]
  MIPI 2024のRAW画像デノゲーショントラックについて概説し,概説する。 165人の参加者が登録され、7チームが最終テストフェーズで結果を提出しました。 この課題で開発されたソリューションは、Few-shot RAW Image Denoisingにおける最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-06-11T06:59:55Z)
• NTIRE 2024 Restore Any Image Model (RAIM) in the Wild Challenge [60.21380105535203]
  RAIMチャレンジは野生での画像復元のためのベンチマークを構築した。 参加者は、実際の撮影画像が複雑で未知の劣化から復元されることが求められた。 トップランクの手法は最先端の復元性能を改善し、18人の審査員から全会一致の承認を得た。
  論文  参考訳（メタデータ） (2024-05-16T09:26:13Z)
• Reconstructing Retinal Visual Images from 3T fMRI Data Enhanced by Unsupervised Learning [2.1597860906272803]
  GAN(unsupervised Generative Adversarial Network)を通して3T fMRIデータを生成する新しいフレームワークを提案する。 本稿では,3T fMRIデータの再構成能力を実証し,優れた入力画像を生成する能力を強調した。
  論文  参考訳（メタデータ） (2024-04-07T23:31:37Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction [20.84830225817378]
  Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
  論文  参考訳（メタデータ） (2023-07-25T03:11:24Z)
• DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
  第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。 この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。 本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
  論文  参考訳（メタデータ） (2023-04-05T12:04:55Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• FetReg2021: A Challenge on Placental Vessel Segmentation and Registration in Fetoscopy [52.3219875147181]
  2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。 このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。 コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。 7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
  論文  参考訳（メタデータ） (2022-06-24T23:44:42Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Results of the 2020 fastMRI Challenge for Machine Learning MR Image Reconstruction [7.848810084682298]
  サブサンプルk空間データを用いたMR画像再構成を目的とした第2の高速MRIコンペティション。 7,299例の臨床脳スキャン(HIPAA法で同定)のデータをNYU Langone Healthに提供した。 2019年の課題とは対照的に,我々は,脳画像の病理学的評価にラジオロジストの評価に焦点を当てた。
  論文  参考訳（メタデータ） (2020-12-09T19:20:16Z)
• Multi-Coil MRI Reconstruction Challenge -- Assessing Brain MRI Reconstruction Models and their Generalizability to Varying Coil Configurations [40.263770807921524]
  深層学習に基づく脳磁気共鳴画像(MRI)再構成法は、MRI取得プロセスを加速する可能性がある。 マルチコイル磁気共鳴画像(MC-MRI)再構成チャレンジは、これらの問題に対処するためのベンチマークを提供する。 本稿では,この課題を実験的に考察し,脳MRI再建モデルのベースラインと状態のセットの結果を要約する。
  論文  参考訳（メタデータ） (2020-11-10T04:11:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。