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
- 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) - 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) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳(メタデータ) (2023-06-05T14:06:40Z) - 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) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z)
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。