論文の概要: Contrast-enhanced MRI Synthesis Using 3D High-Resolution ConvNets
- arxiv url: http://arxiv.org/abs/2104.01592v1
- Date: Sun, 4 Apr 2021 11:54:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 05:45:57.496392
- Title: Contrast-enhanced MRI Synthesis Using 3D High-Resolution ConvNets
- Title（参考訳）: 3次元高分解能ConvNetを用いた造影MRI合成
- Authors: Chao Chen, Catalina Raymond, Bill Speier, Xinyu Jin, Timothy F.
Cloughesy, Dieter Enzmann, Benjamin M. Ellingson, Corey W. Arnold
- Abstract要約: ガドリニウム系造影剤(GBCA)は脳磁気共鳴画像(MRI)における疾患の可視化に広く用いられている
脳腫瘍患者にとって、標準治療には、疾患モニタリングのためのガドリニウムベースのコントラストを有する反復MRIが含まれ、ガドリニウム沈着のリスクを増加させる。
脳腫瘍患者に対する造影T1合成のための深層学習に基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 7.892005877717236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gadolinium-based contrast agents (GBCAs) have been widely used to better
visualize disease in brain magnetic resonance imaging (MRI). However,
gadolinium deposition within the brain and body has raised safety concerns
about the use of GBCAs. Therefore, the development of novel approaches that can
decrease or even eliminate GBCA exposure while providing similar contrast
information would be of significant use clinically. For brain tumor patients,
standard-of-care includes repeated MRI with gadolinium-based contrast for
disease monitoring, increasing the risk of gadolinium deposition. In this work,
we present a deep learning based approach for contrast-enhanced T1 synthesis on
brain tumor patients. A 3D high-resolution fully convolutional network (FCN),
which maintains high resolution information through processing and aggregates
multi-scale information in parallel, is designed to map pre-contrast MRI
sequences to contrast-enhanced MRI sequences. Specifically, three pre-contrast
MRI sequences, T1, T2 and apparent diffusion coefficient map (ADC), are
utilized as inputs and the post-contrast T1 sequences are utilized as target
output. To alleviate the data imbalance problem between normal tissues and the
tumor regions, we introduce a local loss to improve the contribution of the
tumor regions, which leads to better enhancement results on tumors. Extensive
quantitative and visual assessments are performed, with our proposed model
achieving a PSNR of 28.24dB in the brain and 21.2dB in tumor regions. Our
results suggests the potential of substituting GBCAs with synthetic contrast
images generated via deep learning.
- Abstract（参考訳）: ガドリニウム系造影剤(GBCA)は脳磁気共鳴画像(MRI)における疾患の可視化に広く用いられている。
しかし、ガドリニウムの脳と体内への沈着はGBCAの使用に対する安全性を懸念している。
したがって、類似したコントラスト情報を提供しながらGBCA曝露を減少または排除できる新しいアプローチの開発は、臨床的に重要な用途である。
脳腫瘍患者に対しては、ガドリニウムをベースとしたコントラストによるMRIを繰り返し、ガドリニウム沈着のリスクを高める。
本稿では,脳腫瘍患者に対するコントラスト強調t1合成のための深層学習に基づくアプローチを提案する。
3次元高分解能完全畳み込みネットワーク(fcn)は、マルチスケール情報を並列に処理して高分解能情報を保持し、コントラストmriシーケンスをコントラスト強調mriシーケンスにマッピングするように設計されている。
具体的には、3つの先行コントラストMRIシーケンス、T1,T2および見かけ拡散係数マップ(ADC)を入力として、その後コントラストT1シーケンスを目標出力として利用する。
正常組織と腫瘍領域との間のデータ不均衡問題を解決するため,腫瘍領域の寄与を改善するために局所的損失を導入することにより,腫瘍の増進効果が向上する。
提案モデルでは,脳内28.24db,腫瘍領域21.2dbのpsnrが得られた。
以上の結果から,深層学習による合成コントラスト画像によるGBCA置換の可能性が示唆された。
関連論文リスト
- Two-Stage Approach for Brain MR Image Synthesis: 2D Image Synthesis and 3D Refinement [1.5683566370372715]
腫瘍像を正確に表現することで,欠失モードの特異な特徴を反映したMRI画像の合成が重要である。
本稿では,2次元スライスからMR画像を合成する2段階の手法を提案する。
論文 参考訳（メタデータ） (2024-10-14T08:21:08Z) - Conditional Generative Models for Contrast-Enhanced Synthesis of T1w and T1 Maps in Brain MRI [1.6124737486286778]
仮想エンハンスメントのための生成モデル,より正確に条件付き拡散とフローマッチングの可能性について検討する。
定量的MRIとT1強調画像によるT1スキャンの性能について検討した。
モデル全体では、T1重み付きスキャンよりもT1スキャンの方がセグメンテーションが優れている。
論文 参考訳（メタデータ） (2024-10-11T15:11:24Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Pre- to Post-Contrast Breast MRI Synthesis for Enhanced Tumour Segmentation [0.9722528000969453]
本研究は, GAN(Generative Adversarial Network)を用いて, コントラスト前T1強調脂肪飽和乳房MRIを対応する第1DCE-MRIシーケンスに翻訳することにより, 合成コントラスト増強の実現可能性について検討した。
定量的な画像品質指標を用いて生成したDCE-MRIデータを評価し、3D乳房切片の下流タスクに適用する。
以上の結果から, 造影後DCE-MRI合成が乳房のセグメンテーションモデルの堅牢性向上に寄与する可能性が示唆された。
論文 参考訳（メタデータ） (2023-11-17T21:48:41Z) - Synthesis of Contrast-Enhanced Breast MRI Using Multi-b-Value DWI-based
Hierarchical Fusion Network with Attention Mechanism [15.453470023481932]
造影MRI(CE-MRI)は腫瘍と浸潤した健全な組織との鑑別に優れる。
CE-MRIを得るためにガドリニウムベースの造影剤(GBCA)を使用することは、ネフローゼ性全身線維症と関連し、脳内での生体蓄積を引き起こす可能性がある。
造影剤の使用を減らすため,拡散強調画像(DWI)が重要画像技術として出現している。
論文 参考訳（メタデータ） (2023-07-03T09:46:12Z) - Faithful Synthesis of Low-dose Contrast-enhanced Brain MRI Scans using
Noise-preserving Conditional GANs [102.47542231659521]
ガドリニウム系造影剤(GBCA)は様々な疾患の診断にMRIにおいて不可欠である。
GBCAは高価であり、副作用のある患者に蓄積される可能性がある。
診断値を維持しながらGBCAの投与量をどの程度削減できるかは不明確である。
論文 参考訳（メタデータ） (2023-06-26T13:19:37Z) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳（メタデータ） (2022-09-20T11:58:23Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込み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） (2022-09-13T07:10:14Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z) - High Tissue Contrast MRI Synthesis Using Multi-Stage Attention-GAN for
Glioma Segmentation [25.408175460840802]
本稿では, 合成高組織コントラスト(HTC)画像を生成するために, 画像から画像への変換技術の有用性を示す。
我々は,組織内部のコントラストを高めるために,注意機構を有する新しいサイクル生成対向ネットワーク(CycleGAN)を採用した。
グリオーマ腫瘍を含む脳MRスキャンにおけるHTC像の合成法について述べる。
論文 参考訳（メタデータ） (2020-06-09T03:21:30Z)
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。