論文の概要: Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE)

• arxiv url: http://arxiv.org/abs/2002.10908v1
• Date: Tue, 25 Feb 2020 14:48:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 22:20:12.716788
• Title: Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE)
• Title（参考訳）: slice-interleaved diffusion encoding (side) による拡散mriのマルチフォールド・アクセラレーション
• Authors: Yoonmi Hong, Wei-Tang Chang, Geng Chen, Ye Wu, Weili Lin, Dinggang Shen, and Pew-Thian Yap
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.65891535040752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI (dMRI) is a unique imaging technique for in vivo characterization of tissue microstructure and white matter pathways. However, its relatively long acquisition time implies greater motion artifacts when imaging, for example, infants and Parkinson's disease patients. To accelerate dMRI acquisition, we propose in this paper (i) a diffusion encoding scheme, called Slice-Interleaved Diffusion Encoding (SIDE), that interleaves each diffusion-weighted (DW) image volume with slices that are encoded with different diffusion gradients, essentially allowing the slice-undersampling of image volume associated with each diffusion gradient to significantly reduce acquisition time, and (ii) a method based on deep learning for effective reconstruction of DW images from the highly slice-undersampled data. Evaluation based on the Human Connectome Project (HCP) dataset indicates that our method can achieve a high acceleration factor of up to 6 with minimal information loss. Evaluation using dMRI data acquired with SIDE acquisition demonstrates that it is possible to accelerate the acquisition by as much as 50 folds when combined with multi-band imaging.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI)は、組織微細構造と白質経路の生体内評価のためのユニークなイメージング技術である。 しかし、比較的長い取得期間は、乳幼児やパーキンソン病患者の画像化において、運動アーチファクトの増加を意味する。 dmriの獲得を加速するために,本稿で提案する。 (i)各拡散重み付き(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スライスインターリーブ拡散符号化(side)と呼ばれる拡散符号化方式により、各拡散勾配に付随する画像ボリュームのスライスアンササンプリングにより、取得時間を著しく短縮することができる。 (II)DW画像の高スライスアンサンプデータからの効果的な再構成のための深層学習に基づく手法。 human connectome project (hcp) データセットに基づく評価は, 情報損失を最小に抑えることで, 最大6倍の加速率を達成できることを示す。 SIDE の取得により取得した dMRI データによる評価は,マルチバンド画像と組み合わせることで,最大 50 倍の高速化が可能であることを示す。

関連論文リスト

• MBD: Multi b-value Denoising of Diffusion Magnetic Resonance Images [0.33554367023486936]
  畳み込みニューラルネットワークアプローチを導入し,多値デノイング(MBD)と呼ぶ。 MBDは、異なるb値にまたがる拡散重み付き画像(DWI)の類似性を利用するが、同じ拡散符号化方向に沿っている。 ぼやけを回避し、少数の入力画像のみを用いることで、ノイズのばらつきの高い拡散画像の雑音化を可能にする。
  論文  参考訳（メタデータ） (2024-10-22T11:03:06Z)
• 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)
• Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models [0.0]
  我々は多コイル高アンサンプドスパイラルMRIのための生成拡散モデルに基づく再構成アルゴリズムを作成する。 超高速スキャン時間(2D画像では0.02秒)で再構成した画像に高品質(構造的類似度 > 0.87)を示す。
  論文  参考訳（メタデータ） (2024-04-18T17:40:23Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• 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)
• Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot Self-Supervised Learning Reconstruction [7.347468593124183]
  ゼロMIRIDと呼ばれる新しいmsEPI再構成手法(改良拡散MRIのためのマルチショット画像再構成のためのゼロショット自己教師型学習)を提案する。 本手法は、深層学習に基づく画像正規化技術を組み込むことで、msEPIデータを共同で再構成する。 In-vivo実験で示されるように、最先端の並列イメージング法と比較して優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-09T17:54:56Z)
• Physics-informed Deep Diffusion MRI Reconstruction with Synthetic Data: Break Training Data Bottleneck in Artificial Intelligence [27.618154067389018]
  拡散磁気共鳴イメージング(MRI)は、非侵襲的な水分子の動き検出のための唯一の画像モダリティである。 マルチショット技術によって得られたDWIは,高分解能,信号対雑音比,幾何歪みの低減を実現している。 これらのアーティファクトは将来的に除去できないため、アーティファクトフリーのトレーニングラベルが欠落する。 高品質なペアリング学習データを合成するための物理インフォームド深部DWI再構成法(PIDD)を提案する。
  論文  参考訳（メタデータ） (2022-10-20T16:27:54Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。