論文の概要: Enhancing Fiber Orientation Distributions using convolutional Neural
Networks
- arxiv url: http://arxiv.org/abs/2008.05409v2
- Date: Thu, 17 Dec 2020 18:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:07:23.496754
- Title: Enhancing Fiber Orientation Distributions using convolutional Neural
Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた繊維配向分布の強化
- Authors: Oeslle Lucena, Sjoerd B. Vos, Vejay Vakharia, John Duncan, Keyoumars
Ashkan, Rachel Sparks, Sebastien Ourselin
- Abstract要約: 商業的に取得したMRIにおけるFODの改善について学ぶ。
パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価
本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate local fiber orientation distribution (FOD) modeling based on
diffusion magnetic resonance imaging (dMRI) capable of resolving complex fiber
configurations benefits from specific acquisition protocols that sample a high
number of gradient directions (b-vecs), a high maximum b-value(b-vals), and
multiple b-values (multi-shell). However, acquisition time is limited in a
clinical setting and commercial scanners may not provide such dMRI sequences.
Therefore, dMRI is often acquired as single-shell (single b-value). In this
work, we learn improved FODs for commercially acquired MRI. We evaluate
patch-based 3D convolutional neural networks (CNNs)on their ability to regress
multi-shell FOD representations from single-shell representations, where the
representation is a spherical harmonics obtained from constrained spherical
deconvolution (CSD) to model FODs. We evaluate U-Net and HighResNet 3D CNN
architectures on data from the Human Connectome Project and an in-house
dataset. We evaluate how well each CNN model can resolve local fiber
orientation 1) when training and testing on datasets with the same dMRI
acquisition protocol; 2) when testing on a dataset with a different dMRI
acquisition protocol than used to train the CNN models; and 3) when testing on
a dataset with a fewer number of gradient directions than used to train the CNN
models. Our approach may enable robust CSD model estimation on single-shell
dMRI acquisition protocols with few gradient directions, reducing acquisition
times, facilitating translation of improved FOD estimation to time-limited
clinical environments.
- Abstract(参考訳): 拡散磁気共鳴イメージング(dMRI)に基づく高精度な局所繊維配向分布(FOD)モデリングは、多数の勾配方向(b-vecs)、最大b値(b-vals)、複数b値(multi-shells)をサンプリングする特定の取得プロトコルの恩恵を受けることができる。
しかし、取得時間は臨床的に制限されており、商用スキャナはそのようなdmriシーケンスを提供しない。
したがって、dMRIはしばしば単殻(単一のb値)として取得される。
本研究では,商用MRIにおけるFODの改良について述べる。
単一殻表現から複数殻のFOD表現を復元する能力に対して,パッチベースの3次元畳み込みニューラルネットワーク(CNN)を評価し,その表現は制約付き球状デコンボリューション(CSD)から得られた球面調和からFODをモデル化する。
u-net と highresnet の 3d cnn アーキテクチャを human connectome プロジェクトと社内データセットのデータで評価する。
我々は各CNNモデルがいかに局所繊維配向を解消できるかを評価する。
1)同じdMRI取得プロトコルでデータセットのトレーニング及びテストを行う場合。
2) CNNモデルのトレーニングに使用するものとは異なるdMRI取得プロトコルでデータセットをテストする場合。
3) cnnモデルのトレーニングに使用するよりも、勾配方向の数が少ないデータセットでテストする場合。
本手法は, 単殻dMRI取得プロトコルにおいて, 傾きの少ないCDDモデル推定が可能であり, 取得時間を短縮し, FOD推定の改善を時間限定臨床環境に翻訳しやすくする。
関連論文リスト
- SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳(メタデータ) (2022-08-28T17:50:19Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - How can spherical CNNs benefit ML-based diffusion MRI parameter
estimation? [2.4417196796959906]
球状畳み込みニューラルネットワーク(S-CNN)は、従来の完全連結ネットワーク(FCN)に対して明確な優位性を提供する
拡散強調画像(DWI)のみからなるdMRIデータを取得する現況
論文 参考訳(メタデータ) (2022-07-01T17:49:26Z) - Highly Accurate FMRI ADHD Classification using time distributed multi
modal 3D CNNs [0.0]
本研究では,ADHD障害分類のためのfMRIデータ解析アルゴリズムを提案する。
3D-GANを利用することで、ディープフェイクデータを使用して脳障害の3D CNN分類の精度を高めることができる。
論文 参考訳(メタデータ) (2022-05-24T11:39:11Z) - CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting
Functional Outcome in Stroke Patients [1.5250925845050138]
脳卒中患者の管理において臨床結果予測は重要な役割を担っている。
機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。
本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
論文 参考訳(メタデータ) (2022-05-11T14:46:01Z) - Three-Dimensional Embedded Attentive RNN (3D-EAR) Segmentor for Left
Ventricle Delineation from Myocardial Velocity Mapping [1.8653386811342048]
MVM-CMRデータセットのための組み込みマルチチャネルアテンション機構とLSTMベースのリカレントニューラルネットワーク(RNN)を備えた3D-UNETバックボーンアーキテクチャを組み込んだ新しいフルオートマチックフレームワークを提案する。
3D-UNETのベースラインモデルと、組み込み型LSTMモジュールと各種損失関数の有無の比較により、提案モデルが最先端のベースラインモデルより大幅に改善されたことを実証できます。
論文 参考訳(メタデータ) (2021-04-26T11:04:43Z) - Accurate and Efficient Intracranial Hemorrhage Detection and Subtype
Classification in 3D CT Scans with Convolutional and Long Short-Term Memory
Neural Networks [20.4701676109641]
RSNA頭蓋内出血検出のためのシステムについて紹介する。
提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。
最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
論文 参考訳(メタデータ) (2020-08-01T17:28:25Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z)
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。