論文の概要: Results of the 2020 fastMRI Challenge for Machine Learning MR Image Reconstruction

• arxiv url: http://arxiv.org/abs/2012.06318v3
• Date: Mon, 3 May 2021 12:29:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 01:53:33.471220
• Title: Results of the 2020 fastMRI Challenge for Machine Learning MR Image Reconstruction
• Title（参考訳）: 2020年高速MRIによる機械学習MR画像再構成の試み
• Authors: Matthew J. Muckley, Bruno Riemenschneider, Alireza Radmanesh, Sunwoo Kim, Geunu Jeong, Jingyu Ko, Yohan Jun, Hyungseob Shin, Dosik Hwang, Mahmoud Mostapha, Simon Arberet, Dominik Nickel, Zaccharie Ramzi, Philippe Ciuciu, Jean-Luc Starck, Jonas Teuwen, Dimitrios Karkalousos, Chaoping Zhang, Anuroop Sriram, Zhengnan Huang, Nafissa Yakubova, Yvonne Lui, Florian Knoll
• Abstract要約: サブサンプルk空間データを用いたMR画像再構成を目的とした第2の高速MRIコンペティション。 7,299例の臨床脳スキャン(HIPAA法で同定)のデータをNYU Langone Healthに提供した。 2019年の課題とは対照的に,我々は,脳画像の病理学的評価にラジオロジストの評価に焦点を当てた。
• 参考スコア（独自算出の注目度）: 7.848810084682298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accelerating MRI scans is one of the principal outstanding problems in the MRI research community. Towards this goal, we hosted the second fastMRI competition targeted towards reconstructing MR images with subsampled k-space data. We provided participants with data from 7,299 clinical brain scans (de-identified via a HIPAA-compliant procedure by NYU Langone Health), holding back the fully-sampled data from 894 of these scans for challenge evaluation purposes. In contrast to the 2019 challenge, we focused our radiologist evaluations on pathological assessment in brain images. We also debuted a new Transfer track that required participants to submit models evaluated on MRI scanners from outside the training set. We received 19 submissions from eight different groups. Results showed one team scoring best in both SSIM scores and qualitative radiologist evaluations. We also performed analysis on alternative metrics to mitigate the effects of background noise and collected feedback from the participants to inform future challenges. Lastly, we identify common failure modes across the submissions, highlighting areas of need for future research in the MRI reconstruction community.
• Abstract（参考訳）: MRIスキャンの高速化はMRI研究コミュニティにおける主要な課題の1つである。 そこで我々は,k-spaceデータを用いたMR画像再構成を目的とした第2回高速MRIコンペティションを開催した。 参加者は7,299個の臨床脳スキャン(NYU Langone HealthによるHIPAA準拠の手順で同定)からのデータを受け取り、これらのスキャンのうち894個の完全サンプリングされたデータを課題評価のために保持した。 2019年の課題とは対照的に,我々は,脳画像の病理学的評価にラジオロジストの評価に焦点を当てた。 また、トレーニングセットの外からMRIスキャナーで評価されたモデルを提出する必要がある新しいTransferトラックも公開しました。 私たちは8つの異なるグループから19の応募を受け取りました。 その結果,SSIMスコアと質的ラジオロジカル評価の両方で1チームが最多得点を示した。 また,背景雑音の影響を軽減するための代替指標の分析を行い,参加者からのフィードバックを収集し,今後の課題について報告する。 最後に,提案に共通する障害モードを特定し,mri再構成コミュニティにおける今後の研究の必要性を強調する。

関連論文リスト

• Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors [39.58317527488534]
  RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。 DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
  論文  参考訳（メタデータ） (2023-11-22T16:01:44Z)
• 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)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image Labels for Quantitative Clinical Evaluation [5.37260403457093]
  定量的膝関節MRI(qMRI)画像の収集であるMulti-Task Evaluationデータセットを用いて,Stanford Knee MRIを提案する。 このデータセットは、匿名患者MRIスキャンの25,000スライス(155例)の生データ測定から成り立っている。 我々は、画像再構成や高密度画像ラベルとともに、MRI再構成、セグメンテーション、検出技術から抽出されたqMRIバイオマーカー推定の品質を測定するために、qMRIパラメータマップを使用するためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-03-14T02:40:40Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• fastMRI+: Clinical Pathology Annotations for Knee and Brain Fully Sampled Multi-Coil MRI Data [4.198836939188265]
  この研究は16154のサブスペシャリストの専門家によるボックスアノテーションと、FastMRI膝データセット上の22の異なる病理カテゴリの13のレベルラベルで構成されている。 fastMRI+データセットはオープンアクセスであり、MRI再建以降の医療画像のさらなる研究と進歩を支援することを目的としている。
  論文  参考訳（メタデータ） (2021-09-08T17:58:31Z)
• 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)
• Multi-Coil MRI Reconstruction Challenge -- Assessing Brain MRI Reconstruction Models and their Generalizability to Varying Coil Configurations [40.263770807921524]
  深層学習に基づく脳磁気共鳴画像(MRI)再構成法は、MRI取得プロセスを加速する可能性がある。 マルチコイル磁気共鳴画像(MC-MRI)再構成チャレンジは、これらの問題に対処するためのベンチマークを提供する。 本稿では,この課題を実験的に考察し,脳MRI再建モデルのベースラインと状態のセットの結果を要約する。
  論文  参考訳（メタデータ） (2020-11-10T04:11:48Z)
• Advancing machine learning for MR image reconstruction with an open competition: Overview of the 2019 fastMRI challenge [17.37669379313434]
  MR画像再構成のための機械学習分野の研究をオープンチャレンジで進める。 対象者は1,594回の膝臨床検査から得られた生のk-spaceデータである。 この課題の目標は、これらのデータからイメージを再構築することであった。
  論文  参考訳（メタデータ） (2020-01-06T23:00:56Z)

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。