論文の概要: Weakly-supervised Learning for Single-step Quantitative Susceptibility Mapping

• arxiv url: http://arxiv.org/abs/2008.06187v1
• Date: Fri, 14 Aug 2020 04:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 17:56:36.999253
• Title: Weakly-supervised Learning for Single-step Quantitative Susceptibility Mapping
• Title（参考訳）: 単一ステップの定量的サセプティビリティマッピングのための弱教師付き学習
• Authors: Juan Liu and Kevin M Koch
• Abstract要約: 我々は,BFRを使わずに全フィールドからQSMを直接再構築する,弱制御された単一ステップQSM再構成法wTFIを提案する。 wTFIは、BFR法RESHARPローカルフィールドを監督として、局所組織フィールドとQSMのマルチタスク学習を実行する。 我々は,wTFIが様々な状況下で高品質な局所場と感受性マップを生成可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.590406494337628
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantitative susceptibility mapping (QSM) utilizes MRI phase information to estimate tissue magnetic susceptibility. The generation of QSM requires solving ill-posed background field removal (BFR) and field-to-source inversion problems. Because current QSM techniques struggle to generate reliable QSM in clinical contexts, QSM clinical translation is greatly hindered. Recently, deep learning (DL) approaches for QSM reconstruction have shown impressive performance. Due to inherent non-existent ground-truth, these DL techniques use either calculation of susceptibility through multiple orientation sampling (COSMOS) maps or synthetic data for training, which are constrained by the availability and accuracy of COSMOS maps or domain shift when training data and testing data have different domains. To address these limitations, we propose a weakly-supervised single-step QSM reconstruction method, denoted as wTFI, to directly reconstruct QSM from the total field without BFR. wTFI uses the BFR method RESHARP local fields as supervision to perform a multi-task learning of local tissue fields and QSM, and is capable of recovering magnetic susceptibility estimates near the edges of the brain where are eroded in RESHARP and realize whole brain QSM estimation. Quantitative and qualitative evaluation shows that wTFI can generate high-quality local field and susceptibility maps in a variety of neuroimaging contexts.
• Abstract（参考訳）: 定量的感受性マッピング(QSM)はMRIの位相情報を用いて組織磁気感受性を推定する。 QSMの生成には、不適切なバックグラウンドフィールド除去(BFR)とフィールドからソースへのインバージョン問題を解決する必要がある。 現在のQSM技術は、臨床現場で信頼性の高いQSMを生成するのに苦労しているため、QSMの臨床翻訳は著しく妨げられている。 近年,QSM再建のためのディープラーニング (DL) アプローチが注目されている。 これらのDL手法は、本質的な非存在的基盤構造のため、マルチオリエンテーションサンプリング(COSMOS)マップによる感受性の計算や、COSMOSマップの可用性と精度や、トレーニングデータとテストデータが異なるドメインを持つ場合のドメインシフトによって制約されるトレーニングのための合成データを利用する。 これらの制約に対処するため、BFRを使わずにQSMを全フィールドから直接再構成する、弱制御された単一ステップQSM再構成法(wTFI)を提案する。 wtfiは、局所組織とqsmのマルチタスク学習を行うために、bfr法resharpローカルフィールドを監督として使用し、再シャープで侵食された脳の縁付近で磁化率推定を回収し、全脳のqsm推定を実現する。 定量的および質的評価は、wTFIが様々な神経画像の文脈で高品質な局所場と感受性マップを生成できることを示している。

関連論文リスト

• IR2QSM: Quantitative Susceptibility Mapping via Deep Neural Networks with Iterative Reverse Concatenations and Recurrent Modules [14.228884847425011]
  深層学習に基づくQSM再構成のための新しいIR2QSM法を提案する。 リバースコンカニオンとミドルリカレントモジュール拡張U-netを4回繰り返して設計する。 IR2QSMを従来のアルゴリズムや最先端のディープラーニング手法と比較するためのシミュレーションおよびin vivo実験を行った。
  論文  参考訳（メタデータ） (2024-06-18T06:17:45Z)
• Neuro-mimetic Task-free Unsupervised Online Learning with Continual Self-Organizing Maps [56.827895559823126]
  自己組織化マップ(英: Self-organizing map、SOM)は、クラスタリングや次元減少によく用いられるニューラルネットワークモデルである。 低メモリ予算下でのオンライン教師なし学習が可能なSOM(連続SOM)の一般化を提案する。 MNIST, Kuzushiji-MNIST, Fashion-MNISTなどのベンチマークでは, ほぼ2倍の精度が得られた。
  論文  参考訳（メタデータ） (2024-02-19T19:11:22Z)
• Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
  我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。 FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2023-03-28T17:46:16Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Improved Padding in CNNs for Quantitative Susceptibility Mapping [5.421615560456378]
  ニューラルネットワークのボリューム境界における特徴写像の無効なボクセルを推定するために、隣接する有効なボクセルを利用する改良されたパディング手法を提案する。 シミュレーションおよびin-vivoデータを用いた研究により,提案パディングにより推定精度が大幅に向上し,背景フィールド除去,フィールド・ソース・インバージョン,シングルステップQSM再構成といったタスクにおける成果の成果が低減されることが示された。
  論文  参考訳（メタデータ） (2021-06-21T01:35:00Z)
• Interpretable Deep Learning for the Remote Characterisation of Ambulation in Multiple Sclerosis using Smartphones [3.5547766520356547]
  スマートフォンの慣性センサデータに適用した深層畳み込みニューラルネットワーク (dcnn) は, 健常者とms群との区別が良好であった。 同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。 ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
  論文  参考訳（メタデータ） (2021-03-16T16:15:49Z)
• MoG-QSM: Model-based Generative Adversarial Deep Learning Network for Quantitative Susceptibility Mapping [10.898053030099023]
  本稿では,正規化項を学習するために,生成型逆ネットワークの利点を生かしたモデルベースフレームワークを提案する。 最小二乗(LS)GANとL1コストの混合を併用した残差ネットワークを発電機として訓練し,先行情報を学習した。 MoG-QSMは単方向位相マップから高精度な感受性マップを生成する。
  論文  参考訳（メタデータ） (2021-01-21T02:52:05Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Learned Proximal Networks for Quantitative Susceptibility Mapping [9.061630971752464]
  本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。 このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
  論文  参考訳（メタデータ） (2020-08-11T22:35:24Z)

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。