論文の概要: SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with deep learning

• arxiv url: http://arxiv.org/abs/2002.01031v4
• Date: Wed, 24 Mar 2021 15:23:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 09:31:55.384701
• Title: SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with deep learning
• Title（参考訳）: SuperDTI: 深層学習による超高速拡散テンソルイメージングとファイバトラクトグラフィ
• Authors: Hongyu Li, Zifei Liang, Chaoyi Zhang, Ruiying Liu, Jing Li, Weihong Zhang, Dong Liang, Bowen Shen, Xiaoliang Zhang, Yulin Ge, Jiangyang Zhang and Leslie Ying
• Abstract要約: 拡散重み付き画像(DWI)と対応するテンソル導出量マップとの非線形関係を学習するためのSuperDTIを提案する。 SuperDTIは、DWIのノイズや動きに非常に敏感なテンソルフィッティング手順をバイパスする。
• 参考スコア（独自算出の注目度）: 12.797957906141363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To propose a deep learning-based reconstruction framework for ultrafast and robust diffusion tensor imaging and fiber tractography. Methods: We propose SuperDTI to learn the nonlinear relationship between diffusion-weighted images (DWIs) and the corresponding tensor-derived quantitative maps as well as the fiber tractography. Super DTI bypasses the tensor fitting procedure, which is well known to be highly susceptible to noise and motion in DWIs. The network is trained and tested using datasets from Human Connectome Project and patients with ischemic stroke. SuperDTI is compared against the state-of-the-art methods for diffusion map reconstruction and fiber tracking. Results: Using training and testing data both from the same protocol and scanner, SuperDTI is shown to generate fractional anisotropy and mean diffusivity maps, as well as fiber tractography, from as few as six raw DWIs. The method achieves a quantification error of less than 5% in all regions of interest in white matter and gray matter structures. We also demonstrate that the trained neural network is robust to noise and motion in the testing data, and the network trained using healthy volunteer data can be directly applied to stroke patient data without compromising the lesion detectability. Conclusion: This paper demonstrates the feasibility of superfast diffusion tensor imaging and fiber tractography using deep learning with as few as six DWIs directly, bypassing tensor fitting. Such a significant reduction in scan time may allow the inclusion of DTI into the clinical routine for many potential applications.
• Abstract（参考訳）: 目的:超高速でロバストな拡散テンソルイメージングと繊維道造影のための深層学習に基づく再構成フレームワークを提案する。 方法: 拡散強調画像(DWI)とそれに対応するテンソル導出量マップとファイバートラクトグラフィーとの非線形関係を学習するためのSuperDTIを提案する。 スーパーdtiは、dwisのノイズや動きに強い影響を受けやすいことが知られているテンソルフィッティング手順をバイパスする。 このネットワークは、ヒトコネクトームプロジェクトと脳卒中患者のデータセットを使ってトレーニングされ、テストされている。 SuperDTIは拡散マップ再構成やファイバトラッキングの最先端手法と比較される。 結果: 同じプロトコルとスキャナからのトレーニングとテストデータを使用して、superdtiは、わずか6つの生のdwiから繊維道図だけでなく、分数的な異方性と平均拡散率マップを生成する。 この方法は、白色物質および灰色物質構造に関心のあるすべての領域において、5%未満の定量化誤差を達成する。 また、トレーニングされたニューラルネットワークは、テストデータのノイズや動きに対して堅牢であり、健康なボランティアデータを用いてトレーニングされたネットワークは、病変検出性を損なうことなく、脳卒中患者データに直接適用できることを示した。 結論:本論文は,6DWIの深部学習による超高速拡散テンソルイメージングとファイバートラクトグラフィーの実現可能性を示し,テンソルフィッティングを回避した。 このようなスキャン時間の大幅な短縮は、多くの潜在的な応用のためにDTIを臨床ルーチンに含めることを可能にする可能性がある。

関連論文リスト

• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
  本研究では,データ駆動型最適化手法であるDoDTIを紹介する。 提案手法はDTIパラメータ推定における最先端性能を実現する。 特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
  論文  参考訳（メタデータ） (2024-09-04T07:35:12Z)
• AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-preserving Model-based Deep Learning [12.381694906601055]
  AID-DTI(textbfAccelerating htextbfIgh fitextbfDelity textbfDiffusion textbfTensor textbfImaging)は6つの測定値だけで高速で正確なDTIを実現する新しい手法である。 AID-DTIは新たに設計されたSingular Value Decompositionベースの正規化器を備えており、細部を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-04T09:19:28Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-Preserving Model-based Deep Learning [15.504457554152513]
  本稿では,6つの測定値のみで高速かつ正確なDTIを実現するための新しい手法であるAID-DTI(Accelerating hIgh fiDelity Diffusion Imaging)を提案する。 AID-DTIは、新しく設計されたSingular Value Decomposition (SVD)ベースの正規化器を備えており、ネットワークトレーニング中にノイズを抑えながら、細部を効果的に捉えることができる。 HCP(Human Connectome Project)データによる実験結果から,提案手法は細粒度でDTIパラメータマップを推定し,定量的かつ定性的に3つの最先端手法を上回ることを示した。
  論文  参考訳（メタデータ） (2024-01-03T11:54:48Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• TW-BAG: Tensor-wise Brain-aware Gate Network for Inpainting Disrupted Diffusion Tensor Imaging [32.02624872108258]
  本稿では,DTIスライスを塗布する3D-Wise-Aware Gate Network (TW-BAG)を提案する。 提案手法をHuman Connectome Project (HCP) データセット上で評価した。 実験の結果,提案手法は脳のDTI容積を再構築し,関連性のある臨床画像情報を復元できることが示唆された。
  論文  参考訳（メタデータ） (2022-10-31T05:53:02Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。