Fugu-MT 論文翻訳(概要): Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework

論文の概要: Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework

arxiv url: http://arxiv.org/abs/2004.09321v1
Date: Mon, 20 Apr 2020 14:12:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 19:15:03.472088
Title: Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework
Title（参考訳）: 金属アーチファクト削減のためのマルチモーダル情報の組み合わせ:教師なしディープラーニングフレームワーク
Authors: Marta B.M. Ranzini, Irme Groothuis, Kerstin Kl\"aser, M. Jorge Cardoso, Johann Henckel, S\'ebastien Ourselin, Alister Hart, Marc Modat
Abstract要約: 金属アーチファクト低減(MAR)技術は、臨床画像から金属誘起ノイズを取り除くことを目的としている。 MRIでは、感受性アーチファクトを修正する方法がまだ導入されていない。マルチモーダルMARのための教師なしディープラーニング手法を提案する。
参考スコア（独自算出の注目度）: 1.1374919153601266
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Metal artefact reduction (MAR) techniques aim at removing metal-induced noise from clinical images. In Computed Tomography (CT), supervised deep learning approaches have been shown effective but limited in generalisability, as they mostly rely on synthetic data. In Magnetic Resonance Imaging (MRI) instead, no method has yet been introduced to correct the susceptibility artefact, still present even in MAR-specific acquisitions. In this work, we hypothesise that a multimodal approach to MAR would improve both CT and MRI. Given their different artefact appearance, their complementary information can compensate for the corrupted signal in either modality. We thus propose an unsupervised deep learning method for multimodal MAR. We introduce the use of Locally Normalised Cross Correlation as a loss term to encourage the fusion of multimodal information. Experiments show that our approach favours a smoother correction in the CT, while promoting signal recovery in the MRI.
Abstract（参考訳）: 金属アーチファクト低減(MAR)技術は、臨床画像から金属誘起ノイズを取り除くことを目的としている。 CT(Computerd Tomography)では、教師付きディープラーニングアプローチは、主に合成データに依存するため、有効だが汎用性に制限されている。磁気共鳴イメージング(MRI)では、MAR特異的な取得においても、感受性アーチファクトを修正する方法がまだ導入されていない。本研究では,MARに対するマルチモーダルアプローチがCTとMRIの両方を改善すると仮定する。異なるアーティファクトの外観を考えると、それらの補完的な情報はどちらのモダリティにおいても腐敗したシグナルを補うことができる。そこで本稿では,マルチモーダルMARのための教師なし深層学習手法を提案する。マルチモーダル情報の融合を促進するために,局所正規化クロス相関を損失項として用いた。実験の結果,CTではよりスムーズな修正が望まれ,MRIでは信号回復が促進された。

関連論文リスト

Unlocking the Potential of Early Epochs: Uncertainty-aware CT Metal Artifact Reduction [7.4965536794782945]
CT(Computerd tomography)では、患者の金属インプラントの存在は、再建された画像に破壊的なアーティファクトをもたらすことが多い。本稿では,初期トレーニング重量の復元結果から算出した不確実性画像が,高周波領域を効果的に強調することを発見した。本稿では,MARネットワークを金属加工領域に集中させるために,不確実性画像を適応重みとして利用する不確実性制約(UC)損失を提案する。
論文参考訳（メタデータ） (2024-06-18T01:36:58Z)
Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文参考訳（メタデータ） (2023-11-22T05:44:51Z)
MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。 P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文参考訳（メタデータ） (2023-11-16T06:02:03Z)
Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains [8.40564813751161]
金属インプラントはしばしばCT画像の破壊的なアーティファクトを引き起こし、正確な診断を妨げる。金属加工品(MAR)を減らすための教師付き深層学習に基づくいくつかのアプローチが提案されている。本稿では,データ分布を表す高容量な生成モデルである拡散モデルに基づく教師なしMAR手法を提案する。
論文参考訳（メタデータ） (2023-08-31T14:00:47Z)
Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction [48.1445005916672]
人体に金属インプラントが存在する場合のCTイメージングの課題に対処する新しい多色神経表現法(Polyner)を提案する。私たちのPolynerは、ドメイン内のデータセットの教師付きメソッドよりも同等または優れたパフォーマンスを実現しています。
論文参考訳（メタデータ） (2023-06-27T04:50:58Z)
Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging [41.587861167935785]
運動アーティファクトはMRI(MRI)の品質を損なうモーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場したこれらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
論文参考訳（メタデータ） (2023-01-04T18:02:59Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
Brain Cancer Survival Prediction on Treatment-na ive MRI using Deep Anchor Attention Learning with Vision Transformer [4.630654643366308]
画像ベース脳腫瘍予測モデルによるMRIによるX線学的表現型の定量化腫瘍内表現型不均一性の証拠にもかかわらず、MRIスキャンにおける異なるスライス間の空間的多様性は、そのような方法では比較的研究されていない。本稿では,脳腫瘍患者の生存リスクを予測するために,ビジョントランスフォーマを用いたディープアンカーアテンションアグリゲーション戦略を提案する。
論文参考訳（メタデータ） (2022-02-03T21:33:08Z)
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)
Unsupervised CT Metal Artifact Learning using Attention-guided beta-CycleGAN [36.1921415839058]
金属アーチファクトリダクション(MAR)はCT(Computerd tomography)において最も重要な研究課題の一つである。そこで本研究では,CTのためのよりシンプルで効果的に教師なしのMAR法を提案する。
論文参考訳（メタデータ） (2020-07-07T14:11:47Z)
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。