論文の概要: Physics-informed neural networks for myocardial perfusion MRI
quantification
- arxiv url: http://arxiv.org/abs/2011.12844v3
- Date: Thu, 7 Apr 2022 11:01:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 03:57:31.467141
- Title: Physics-informed neural networks for myocardial perfusion MRI
quantification
- Title（参考訳）: 心筋灌流MRI定量化のための物理インフォームニューラルネットワーク
- Authors: Rudolf L.M. van Herten and Amedeo Chiribiri and Marcel Breeuwer and
Mitko Veta and Cian M. Scannell
- Abstract要約: 本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。
PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
- 参考スコア（独自算出の注目度）: 3.318100528966778
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tracer-kinetic models allow for the quantification of kinetic parameters such
as blood flow from dynamic contrast-enhanced magnetic resonance (MR) images.
Fitting the observed data with multi-compartment exchange models is desirable,
as they are physiologically plausible and resolve directly for blood flow and
microvascular function. However, the reliability of model fitting is limited by
the low signal-to-noise ratio, temporal resolution, and acquisition length.
This may result in inaccurate parameter estimates.
This study introduces physics-informed neural networks (PINNs) as a means to
perform myocardial perfusion MR quantification, which provides a versatile
scheme for the inference of kinetic parameters. These neural networks can be
trained to fit the observed perfusion MR data while respecting the underlying
physical conservation laws described by a multi-compartment exchange model.
Here, we provide a framework for the implementation of PINNs in myocardial
perfusion MR.
The approach is validated both in silico and in vivo. In the in silico study,
an overall reduction in mean-squared error with the ground-truth parameters was
observed compared to a standard non-linear least squares fitting approach. The
in vivo study demonstrates that the method produces parameter values comparable
to those previously found in literature, as well as providing parameter maps
which match the clinical diagnosis of patients.
- Abstract（参考訳）: トレーサー運動モデルにより、ダイナミックコントラスト強調磁気共鳴(MR)画像からの血流などの運動パラメータの定量化が可能になる。
観察されたデータをマルチコンパートメント交換モデルに適合させることは、生理学的に妥当であり、血流や微小血管機能を直接的に解決することが望ましい。
しかし,モデルフィッティングの信頼性は,低信号対雑音比,時間分解能,取得時間によって制限される。
これは不正確なパラメータ推定をもたらす可能性がある。
本研究では,心臓灌流MR定量化の手法として物理情報ニューラルネットワーク(PINN)を導入し,運動パラメータの推論に汎用的な手法を提案する。
これらのニューラルネットワークは、マルチコンパートメント交換モデルによって記述される物理保存則を尊重しながら、観測された灌流MRデータに適合するように訓練することができる。
本稿では, 心筋灌流MRにおけるPINNの実装のための枠組みについて述べる。
in silicoの研究では、標準の非線形最小二乗法と比較して、地表面パラメータによる平均二乗誤差の全体的な減少が観察された。
生体内での研究では,本手法が文献で確認された値に匹敵するパラメータ値を生成するとともに,患者の臨床診断と一致するパラメータマップを提供することを示した。
関連論文リスト
- Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
生体物理モデルフィッティングは、生理的信号や画像から定量的パラメータを得る上で重要な役割を果たしている。
本稿では,常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。
これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
論文 参考訳（メタデータ） (2024-11-10T12:40:33Z) - qMRI Diffuser: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model [1.1278063431495107]
定量的MRI(qMRI)は、組織特性に関連する客観的パラメータを提供することにより、重み付け画像よりも大きな利点を提供する。
深層学習に基づく手法は、一連の重み付き画像から定量的マップを推定する効果を実証している。
深部生成モデルを用いたqMRIの新しい手法であるqMRIディフューザを提案する。
論文 参考訳（メタデータ） (2024-07-23T13:49:19Z) - Quantitative perfusion maps using a novelty spatiotemporal convolutional
neural network [13.188103532542797]
本研究では,空間的・時間的情報を考慮した拡散パラメータ推定ネットワークを提案する。
その結果,脳血流量 (CBV), 脳血流量 (CBF), 残存機能 (Tmax) などの灌流パラメータを正確に推定できることが示唆された。
提案したモデルは、商用のゴールドスタンダードソフトウェアの性能に近づき、時間効率も維持する。
論文 参考訳（メタデータ） (2023-12-08T09:22:25Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - Accelerated, physics-inspired inference of skeletal muscle
microstructure from diffusion-weighted MRI [0.0]
骨格筋の健康状態の現在の測定は、筋肉機能の仲介において重要な役割を担っている筋肉の微細構造の変化を限定的に考慮している。
骨格筋の組織構造の非侵襲的および生体内評価のための,物理に着想を得た機械学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-19T19:01:04Z) - Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from
Dynamic Contrast-Enhanced MRI [37.358265461543716]
薬物動態パラメータとAIFの両方を推定する新しい未経験深層学習法を提案する。
提案するCycleGANフレームワークは、基礎となる物理モデルに基づいて設計されており、単一のジェネレータと識別器ペアによるよりシンプルなアーキテクチャを実現する。
実験の結果,AIF測定を別途必要とせず,他の方法よりも信頼性の高い薬物動態パラメータが得られた。
論文 参考訳（メタデータ） (2023-06-07T11:10:10Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - 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) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z)
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。