論文の概要: Simultaneous super-resolution and motion artifact removal in diffusion-weighted MRI using unsupervised deep learning

• arxiv url: http://arxiv.org/abs/2105.00240v1
• Date: Sat, 1 May 2021 13:13:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 14:11:23.987269
• Title: Simultaneous super-resolution and motion artifact removal in diffusion-weighted MRI using unsupervised deep learning
• Title（参考訳）: 拡散強調MRIにおける教師なし深層学習を用いた超解像と動画像の同時除去
• Authors: Hyungjin Chung, Jaehyun Kim, Jeong Hee Yoon, Jeong Min Lee, and Jong Chul Ye
• Abstract要約: 解像度を高め,同時にモーションアーティファクトを除去できる,完全教師なしの品質向上方式を提案する。 提案手法は, 教師なし学習を用いたmriの文脈において, 超解像と運動アーティファクトの補正を同時に行う最初の方法である。
• 参考スコア（独自算出の注目度）: 23.33029012277273
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion-weighted MRI is nowadays performed routinely due to its prognostic ability, yet the quality of the scans are often unsatisfactory which can subsequently hamper the clinical utility. To overcome the limitations, here we propose a fully unsupervised quality enhancement scheme, which boosts the resolution and removes the motion artifact simultaneously. This process is done by first training the network using optimal transport driven cycleGAN with stochastic degradation block which learns to remove aliasing artifacts and enhance the resolution, then using the trained network in the test stage by utilizing bootstrap subsampling and aggregation for motion artifact suppression. We further show that we can control the trade-off between the amount of artifact correction and resolution by controlling the bootstrap subsampling ratio at the inference stage. To the best of our knowledge, the proposed method is the first to tackle super-resolution and motion artifact correction simultaneously in the context of MRI using unsupervised learning. We demonstrate the efficiency of our method by applying it to both quantitative evaluation using simulation study, and to in vivo diffusion-weighted MR scans, which shows that our method is superior to the current state-of-the-art methods. The proposed method is flexible in that it can be applied to various quality enhancement schemes in other types of MR scans, and also directly to the quality enhancement of apparent diffusion coefficient maps.
• Abstract（参考訳）: 拡散強調MRIは, 予後不良のため, 日常的に行われているが, スキャンの質は不満足であり, 臨床効果を阻害する可能性がある。 本稿では,この制限を克服するため,完全教師なし品質向上手法を提案し,解像度を向上し,同時に動作アーティファクトを除去する。 このプロセスは、まず、まず、搬送駆動サイクルGANと確率分解ブロックを用いてネットワークをトレーニングし、エイリアシングアーティファクトを除去し、分解性を高めることを学習し、次にブートストラップサブサンプリングとアグリゲーションを利用して、テスト段階でトレーニングされたネットワークを使用して動きアーティファクトを抑圧する。 さらに,推定段階でのブートストラップサブサンプリング比を制御することにより,アーティファクト補正量と分解能のトレードオフを制御できることも示している。 提案手法は, 教師なし学習を用いたmriの文脈において, 超解像と運動アーティファクトの補正を同時に行う最初の方法である。 本手法はシミュレーションによる定量的評価と生体内拡散強調型mrスキャンの両方に応用し,その効率を実証する。 提案手法は,他の種類のMRスキャンにおける様々な品質向上スキームに適用可能であり,また,明らかな拡散係数マップの品質向上にも直接適用可能である。

関連論文リスト

• Ensemble Learning for Microbubble Localization in Super-Resolution Ultrasound [1.912429179274357]
  超解像超音波(SR-US)は、微小血管と血流を高空間分解能で捉えるための強力なイメージング技術である。 本稿では,マイクロバブル(MB)のローカライゼーションを高めるためのアンサンブル学習手法の可能性について検討する。
  論文  参考訳（メタデータ） (2024-11-11T21:26:36Z)
• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging [41.587861167935785]
  運動アーティファクトはMRI(MRI)の品質を損なう モーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場した これらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。 この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-04T18:02:59Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised Learning [2.5581619987137048]
  我々は,インターリーブスライス獲得を伴う動的胎児MRIのための自己教師付き超解像フレームワークSTRESSを提案する。 提案手法は,低解像度画像と高解像度画像のペアを生成するために,元の取得データに基づいて,高解像度軸に沿ったインターリーブスライス取得をシミュレートする。 シミュレーションおよび子宮内データによる評価の結果,提案手法は他の自己教師付き超解像法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-23T13:52:11Z)
• 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)
• Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting Bootstrap Aggregation [37.41561581618164]
  そこで本研究では,外乱除去型ブートストラップサブサンプリングとアグリゲーションによる教師なし深層学習手法を提案する。 トレーニングステップでは、アーティファクトフリーの画像のみを必要とするため、ペアデータを必要としない。 本手法は, 模擬動作からのアーチファクト修正や, TSMからのリアルタイム動作に有効であることを確認した。
  論文  参考訳（メタデータ） (2020-11-12T12:10:58Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。