論文の概要: 4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and
Computational Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2004.07035v1
- Date: Wed, 15 Apr 2020 12:16:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 04:26:43.760805
- Title: 4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and
Computational Fluid Dynamics
- Title（参考訳）: 4DFlowNet:Deep LearningとComputational fluid Dynamicsを用いた超解像4D Flow MRI
- Authors: Edward Ferdian, Avan Suinesiaputra, David Dubowitz, Debbie Zhao, Alan
Wang, Brett Cowan, Alistair Young
- Abstract要約: 画像解像度の上昇は、特に異常な血流を持つ患者において、より正確で、血流のより良い評価を可能にする。
計算流体力学シミュレーションを用いて, 合成4次元フローMRIデータを生成する。
我々の新しい4DFlowNetネットワークは, この合成4Dフローデータをトレーニングし, 2。
- 参考スコア（独自算出の注目度）: 0.0795451369160375
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 4D-flow magnetic resonance imaging (MRI) is an emerging imaging technique
where spatiotemporal 3D blood velocity can be captured with full volumetric
coverage in a single non-invasive examination. This enables qualitative and
quantitative analysis of hemodynamic flow parameters of the heart and great
vessels. An increase in the image resolution would provide more accuracy and
allow better assessment of the blood flow, especially for patients with
abnormal flows. However, this must be balanced with increasing imaging time.
The recent success of deep learning in generating super resolution images shows
promise for implementation in medical images. We utilized computational fluid
dynamics simulations to generate fluid flow simulations and represent them as
synthetic 4D flow MRI data. We built our training dataset to mimic actual 4D
flow MRI data with its corresponding noise distribution. Our novel 4DFlowNet
network was trained on this synthetic 4D flow data and was capable in producing
noise-free super resolution 4D flow phase images with upsample factor of 2. We
also tested the 4DFlowNet in actual 4D flow MR images of a phantom and normal
volunteer data, and demonstrated comparable results with the actual flow rate
measurements giving an absolute relative error of 0.6 to 5.8% and 1.1 to 3.8%
in the phantom data and normal volunteer data, respectively.
- Abstract（参考訳）: 4d-flow magnetic resonance imaging(mri)は、時空間的3d血流速度を1回の非侵襲的検査で全容積で計測できる新しいイメージング技術である。
これにより、心臓と大血管の血行動態パラメータの質的および定量的解析が可能になる。
画像解像度の上昇は、特に異常な血流を持つ患者において、より正確で、血流のより良い評価を可能にする。
しかし、これは撮像時間の増加とバランスをとらなければならない。
超高解像度画像の生成におけるディープラーニングの最近の成功は、医療画像の実装を約束していることを示している。
数値流体力学シミュレーションを用いて流体シミュレーションを行い, 合成4次元流mriデータとして表現した。
我々は、実際の4次元フローMRIデータをそれに対応する雑音分布で模倣する訓練データセットを構築した。
我々の新しい4DFlowNetネットワークは, この合成4Dフローデータをトレーニングし, 2。
また, ファントムの4dフローmr画像と正常ボランティアデータの4dフローmr画像を用いて4dフローネットをテストした結果, ファントムデータと正常ボランティアデータでは0.6～5.8%, 1.1〜3.8%の絶対相対誤差を与える実際の流量測定と同等の結果が得られた。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Neural Fields for Continuous Periodic Motion Estimation in 4D Cardiovascular Imaging [1.1786989970743633]
時間分解型3次元フローMRI(4D Flow MRI)は、大動脈弓などの血管の血行動態を可視化し定量化するための、ユニークな非侵襲的なソリューションを提供する。
動脈4DフローMRIのほとんどの解析法は, フルサイクルセグメンテーションが難しいため, 静的動脈壁を用いている。
心臓周期を通して連続的な周期的な壁の変形を直接推定する神経磁場に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-07-30T10:50:51Z) - Implicit neural representations for unsupervised super-resolution and
denoising of 4D flow MRI [1.207455285737927]
大動脈内3方向速度の時間変化に対するSIRENの4次元フローMRIによる検討を行った。
本手法をボクセル座標で訓練し, 合成計測と実際の4次元フローMRIによるアプローチをベンチマークした。
我々の最適化されたSIRENアーキテクチャは最先端技術より優れており、臨床データから解離・超解離速度場を生成する。
論文 参考訳（メタデータ） (2023-02-24T08:42:04Z) - Coarse-Super-Resolution-Fine Network (CoSF-Net): A Unified End-to-End
Neural Network for 4D-MRI with Simultaneous Motion Estimation and
Super-Resolution [21.75329634476446]
我々は,高分解能ネットワーク(CoSF-Net)と呼ばれる新しいディープラーニングフレームワークを開発した。
既存のネットワークと最先端の3つのアルゴリズムと比較して、CoSF-Netは4D-MRIの呼吸相間の変形可能なベクトル場を正確に推定するだけでなく、解剖学的特徴を増強した4D-MRIの空間分解能も同時に改善した。
論文 参考訳（メタデータ） (2022-11-21T01:42:51Z) - Non-invasive hemodynamic analysis for aortic regurgitation using
computational fluid dynamics and deep learning [2.150638298922378]
心臓血管血行動態の変化は大動脈逆流(AR)の発生と密接に関連している
4次元(4次元)流磁気共鳴画像(MRI)を用いて非侵襲的に測定できる。
しかし、解像度の低さは、しばしば4次元フローMRIと複雑なAR血行動態の限界によって生じる。
これを解決するために、計算流体力学シミュレーションを合成された4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。
論文 参考訳（メタデータ） (2021-11-23T05:19:42Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳（メタデータ） (2021-04-04T20:30:14Z) - 4D Spatio-Temporal Convolutional Networks for Object Position Estimation
in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。
我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文 参考訳（メタデータ） (2020-07-02T12:02:20Z) - Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT
Image Data [63.73263986460191]
特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。
OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。
モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
論文 参考訳（メタデータ） (2020-04-21T15:43:01Z) - Deep variational network for rapid 4D flow MRI reconstruction [0.5156484100374058]
長い生体内スキャンタイムは、データ相関を利用する加速イメージング技術を必要とする。
本稿では,効率的なモデルベースディープニューラルネットワークを提案する。
ネットワークは、標準の消費者向けハードウェア上で、アンサンプされた4DフローMRIデータを1分以内で再構築する。
論文 参考訳（メタデータ） (2020-04-20T20:17:49Z) - 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。