論文の概要: DeepTag: An Unsupervised Deep Learning Method for Motion Tracking on Cardiac Tagging Magnetic Resonance Images

• arxiv url: http://arxiv.org/abs/2103.02772v1
• Date: Thu, 4 Mar 2021 00:42:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-07 17:52:12.203175
• Title: DeepTag: An Unsupervised Deep Learning Method for Motion Tracking on Cardiac Tagging Magnetic Resonance Images
• Title（参考訳）: DeepTag: 心磁気共鳴画像を用いた動き追跡のための教師なし深層学習法
• Authors: Meng Ye, Mikael Kanski, Dong Yang, Qi Chang, Zhennan Yan, Qiaoying Huang, Leon Axel, Dimitris Metaxas
• Abstract要約: 本研究では,t-MRI画像のin vivoモーショントラッキングのための深層学習に基づく完全監視手法を提案する。 本手法は代表的な臨床T-MRIデータセットで検証された。
• 参考スコア（独自算出の注目度）: 10.434681088538866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac tagging magnetic resonance imaging (t-MRI) is the gold standard for regional myocardium deformation and cardiac strain estimation. However, this technique has not been widely used in clinical diagnosis, as a result of the difficulty of motion tracking encountered with t-MRI images. In this paper, we propose a novel deep learning-based fully unsupervised method for in vivo motion tracking on t-MRI images. We first estimate the motion field (INF) between any two consecutive t-MRI frames by a bi-directional generative diffeomorphic registration neural network. Using this result, we then estimate the Lagrangian motion field between the reference frame and any other frame through a differentiable composition layer. By utilizing temporal information to perform reasonable estimations on spatio-temporal motion fields, this novel method provides a useful solution for motion tracking and image registration in dynamic medical imaging. Our method has been validated on a representative clinical t-MRI dataset; the experimental results show that our method is superior to conventional motion tracking methods in terms of landmark tracking accuracy and inference efficiency.
• Abstract（参考訳）: 心筋タグ付け磁気共鳴イメージング(t-MRI)は、局所心筋変形および心緊張評価のためのゴールドスタンダードです。 しかし, t-MRI画像では運動追跡が困難であったため, 臨床診断にはあまり使われていない。 本論文では,t-MRI画像のin vivoモーショントラッキングのための深層学習に基づく完全監視手法を提案する。 2つの連続したt-MRIフレーム間の運動場(INF)を二方向生成二形登録ニューラルネットワークで推定する。 この結果を用いて,参照フレームと他のフレームとの間のラグランジュ運動場を微分可能な合成層で推定する。 時間情報を利用して時空間運動場を合理的に推定することにより、動的医用画像における運動追跡や画像登録に有用なソリューションを提供する。 本手法は代表的な臨床用t-mriデータセット上で検証され, ランドマーク追跡精度と推定効率の点で, 従来の運動追跡法よりも優れていることが実証された。

関連論文リスト

• Highly efficient non-rigid registration in k-space with application to cardiac Magnetic Resonance Imaging [10.618048010632728]
  非剛性動作推定のためのローカル・オール・パス・アテンション・ネットワーク(LAPANet)と呼ばれる,自己教師型深層学習に基づく新しいフレームワークを提案する。 LAPANetは,種々のサンプリング軌跡と加速度速度で心運動推定を行った。 非剛性運動に対する高時間分解能(5ミリ秒未満)は、動的およびリアルタイムMRIアプリケーションにおける動きの検出、追跡、修正のための新しい道を開く。
  論文  参考訳（メタデータ） (2024-10-24T15:19:59Z)
• Is Registering Raw Tagged-MR Enough for Strain Estimation in the Era of Deep Learning? [10.085929773807825]
  tMRIは、変形中の組織の動きとひずみの定量化に長い間使われてきた。 タグフェーディング(英: tag fading)は、タグの可視性が時間とともに徐々に減少する現象であり、後処理を複雑にする現象である。
  論文  参考訳（メタデータ） (2024-01-31T03:28:11Z)
• 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)
• Live image-based neurosurgical guidance and roadmap generation using unsupervised embedding [53.992124594124896]
  本稿では,注釈付き脳外科ビデオの大規模なデータセットを活用するライブ画像のみのガイダンスを提案する。 生成されたロードマップは、トレーニングセットの手術で取られた一般的な解剖学的パスをエンコードする。 166例の腹腔鏡下腺摘出術を施行し,本法の有効性について検討した。
  論文  参考訳（メタデータ） (2023-03-31T12:52:24Z)
• Estimating Head Motion from MR-Images [0.0]
  頭部運動は磁気共鳴画像(MRI)解析の完全な共同創設者である。 本稿では,T1重み付き(T1w),T2重み付き(T2w)およびFLAIR画像から直接,走査内頭部の動きを予測する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T11:03:08Z)
• Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
  心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。 従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。 本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T15:10:27Z)
• 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)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural Network [18.433956246011466]
  本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。 実験の結果,2つの臨床検査データセットの画質が有意に向上した。
  論文  参考訳（メタデータ） (2020-06-23T01:55:57Z)

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。