論文の概要: Localized Motion Artifact Reduction on Brain MRI Using Deep Learning
with Effective Data Augmentation Techniques
- arxiv url: http://arxiv.org/abs/2007.05149v2
- Date: Fri, 30 Oct 2020 18:28:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:40:50.943786
- Title: Localized Motion Artifact Reduction on Brain MRI Using Deep Learning
with Effective Data Augmentation Techniques
- Title（参考訳）: 効果的なデータ拡張技術を用いた深層学習による脳mriの局所的運動アーチファクト削減
- Authors: Yijun Zhao, Jacek Ossowski, Xuming Wang, Shangjin Li, Orrin Devinsky,
Samantha P. Martin, and Heath R. Pardoe
- Abstract要約: In-Scanner MotionはMRIの画質を低下させる
深層学習に基づくMRIアーティファクト縮小モデル(DMAR)を導入し,脳MRIスキャンにおける頭部運動アーティファクトの局在と補正を行う。
- 参考スコア（独自算出の注目度）: 2.0591563268976274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In-scanner motion degrades the quality of magnetic resonance imaging (MRI)
thereby reducing its utility in the detection of clinically relevant
abnormalities. We introduce a deep learning-based MRI artifact reduction model
(DMAR) to localize and correct head motion artifacts in brain MRI scans. Our
approach integrates the latest advances in object detection and noise reduction
in Computer Vision. Specifically, DMAR employs a two-stage approach: in the
first, degraded regions are detected using the Single Shot Multibox Detector
(SSD), and in the second, the artifacts within the found regions are reduced
using a convolutional autoencoder (CAE). We further introduce a set of novel
data augmentation techniques to address the high dimensionality of MRI images
and the scarcity of available data. As a result, our model was trained on a
large synthetic dataset of 225,000 images generated from 375 whole brain
T1-weighted MRI scans. DMAR visibly reduces image artifacts when applied to
both synthetic test images and 55 real-world motion-affected slices from 18
subjects from the multi-center Autism Brain Imaging Data Exchange (ABIDE)
study. Quantitatively, depending on the level of degradation, our model
achieves a 27.8%-48.1% reduction in RMSE and a 2.88--5.79 dB gain in PSNR on a
5000-sample set of synthetic images. For real-world artifact-affected scans
from ABIDE, our model reduced the variance of image voxel intensity within
artifact-affected brain regions (p = 0.014).
- Abstract（参考訳）: In-Scanner運動はMRI(MRI)の画質を低下させ、臨床的に関連のある異常の検出においてその有用性を低下させる。
深層学習に基づくMRIアーティファクト縮小モデル(DMAR)を導入し,脳MRIスキャンにおける頭部運動アーティファクトの局在と補正を行う。
提案手法は,コンピュータビジョンにおける物体検出とノイズ低減の最新の進歩を統合している。
具体的には、DMARは2段階のアプローチを採用する:第1に、単一ショットマルチボックス検出器(SSD)を用いて劣化した領域を検出し、第2に、発見された領域内のアーティファクトは、畳み込みオートエンコーダ(CAE)を使用して減少させる。
また,MRI画像の高次元性やデータ不足に対処するための新しいデータ拡張手法についても紹介する。
その結果,脳t1強調mriスキャン375例から生成した225,000画像の大規模合成データセットを解析した。
DMARは、多施設自閉症脳画像データ交換(ABIDE)研究の18人の被験者から、合成テスト画像と実世界の55の運動影響スライスの両方に適用した場合、画像アーティファクトを視覚的に低減する。
定量的には, 劣化レベルに応じて, RMSEの27.8%～48.1%, PSNRの2.88～5.79dBを5000サンプルの合成画像で達成した。
ABIDEによる実世界のアーティファクト影響スキャンでは、アーティファクト影響脳領域における画像ボクセル強度のばらつき(p = 0.014。
関連論文リスト
- A CNN Approach to Automated Detection and Classification of Brain Tumors [0.0]
本研究の目的は、提供されたMRIデータを分析して、健康な脳組織と脳腫瘍を分類することである。
モデル作成に使用されるデータセットは、3,264個の脳MRIスキャンを含む、一般にアクセス可能で検証された脳腫瘍分類(MRI)データベースである。
論文 参考訳（メタデータ） (2025-02-13T19:33:26Z) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - 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) - Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。
まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。
3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
論文 参考訳（メタデータ） (2024-06-18T09:53:07Z) - 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) - 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) - Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。
我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
論文 参考訳（メタデータ） (2022-11-28T04:09:21Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳（メタデータ） (2021-06-14T12:19:27Z) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - 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。