Fugu-MT 論文翻訳(概要): MoG-QSM: Model-based Generative Adversarial Deep Learning Network for Quantitative Susceptibility Mapping

論文の概要: MoG-QSM: Model-based Generative Adversarial Deep Learning Network for Quantitative Susceptibility Mapping

arxiv url: http://arxiv.org/abs/2101.08413v1
Date: Thu, 21 Jan 2021 02:52:05 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 08:03:10.452048
Title: MoG-QSM: Model-based Generative Adversarial Deep Learning Network for Quantitative Susceptibility Mapping
Title（参考訳）: MoG-QSM:定量的サセプティビリティマッピングのためのモデルベース生成逆深層学習ネットワーク
Authors: Ruimin Feng, Jiayi Zhao, He Wang, Baofeng Yang, Jie Feng, Yuting Shi, Ming Zhang, Chunlei Liu, Yuyao Zhang, Jie Zhuang, Hongjiang Wei
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.898053030099023
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantitative susceptibility mapping (QSM) estimates the underlying tissue magnetic susceptibility from the MRI gradient-echo phase signal and has demonstrated great potential in quantifying tissue susceptibility in various brain diseases. However, the intrinsic ill-posed inverse problem relating the tissue phase to the underlying susceptibility distribution affects the accuracy for quantifying tissue susceptibility. The resulting susceptibility map is known to suffer from noise amplification and streaking artifacts. To address these challenges, we propose a model-based framework that permeates benefits from generative adversarial networks to train a regularization term that contains prior information to constrain the solution of the inverse problem, referred to as MoG-QSM. A residual network leveraging a mixture of least-squares (LS) GAN and the L1 cost was trained as the generator to learn the prior information in susceptibility maps. A multilayer convolutional neural network was jointly trained to discriminate the quality of output images. MoG-QSM generates highly accurate susceptibility maps from single orientation phase maps. Quantitative evaluation parameters were compared with recently developed deep learning QSM methods and the results showed MoG-QSM achieves the best performance. Furthermore, a higher intraclass correlation coefficient (ICC) was obtained from MoG-QSM maps of the traveling subjects, demonstrating its potential for future applications, such as large cohorts of multi-center studies. MoG-QSM is also helpful for reliable longitudinal measurement of susceptibility time courses, enabling more precise monitoring for metal ion accumulation in neurodegenerative disorders.
Abstract（参考訳）: 定量的感受性マッピング (QSM) はMRI勾配エコ相信号から基底組織の磁気感受性を推定し, 様々な脳疾患における組織感受性の定量化に大きな可能性を示した。しかし, 組織相と組織感受性分布の関連性は, 組織感受性の定量化の精度に影響を及ぼす。その結果生じる感受性マップはノイズ増幅とストレッチアーティファクトに苦しむことが知られている。これらの課題に対処するため,本論文では,逆問題(MoG-QSM)の解を制約する事前情報を含む正規化項をトレーニングするために,生成敵ネットワークの利点を浸透させる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,先行情報を感受性マップで学習した。出力画像の品質を識別するために多層畳み込みニューラルネットワークを共同で訓練した。 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。近年開発されたディープラーニングqsm法と定量的評価パラメータを比較し,mog-qsmの最適性能が得られた。さらに,移動対象者のmog-qsmマップから高いクラス内相関係数(icc)を求め,多施設研究の大きなコホートなど,将来の応用の可能性を示した。 MoG-QSMは、神経変性疾患における金属イオン蓄積のより正確なモニタリングを可能にするため、感受性の経時的測定にも有用である。

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)
Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文参考訳（メタデータ） (2023-05-18T06:54:56Z)
Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T10:46:40Z)
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)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
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)
Weakly-supervised Learning for Single-step Quantitative Susceptibility Mapping [5.590406494337628]
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。
論文参考訳（メタデータ） (2020-08-14T04:28:08Z)
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)
Automated Segmentation of Brain Gray Matter Nuclei on Quantitative Susceptibility Mapping Using Deep Convolutional Neural Network [16.733578721523898]
脳皮質下核の鉄蓄積異常は、様々な神経変性疾患と相関していると報告されている。本稿では3次元畳み込みニューラルネットワーク(CNN)に基づく2分岐残基構造U-Net(DB-ResUNet)を提案する。
論文参考訳（メタデータ） (2020-08-03T14:32:30Z)
Interpretable multimodal fusion networks reveal mechanisms of brain cognition [26.954460880062506]
我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
論文参考訳（メタデータ） (2020-06-16T18:52:50Z)
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。