論文の概要: 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep Learning Reconstruction

• arxiv url: http://arxiv.org/abs/2105.05827v1
• Date: Wed, 12 May 2021 17:39:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 12:28:07.450262
• Title: 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep Learning Reconstruction
• Title（参考訳）: 20-foldaccelerated 7t fmri : referenceless self-supervised deep learning reconstruction
• Authors: Omer Burak Demirel, Burhaneddin Yaman, Logan Dowdle, Steen Moeller, Luca Vizioli, Essa Yacoub, John Strupp, Cheryl A. Olman, K\^amil U\u{g}urbil and Mehmet Ak\c{c}akaya
• Abstract要約: 脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。 ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。 本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
• 参考スコア（独自算出の注目度）: 0.487576911714538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High spatial and temporal resolution across the whole brain is essential to accurately resolve neural activities in fMRI. Therefore, accelerated imaging techniques target improved coverage with high spatio-temporal resolution. Simultaneous multi-slice (SMS) imaging combined with in-plane acceleration are used in large studies that involve ultrahigh field fMRI, such as the Human Connectome Project. However, for even higher acceleration rates, these methods cannot be reliably utilized due to aliasing and noise artifacts. Deep learning (DL) reconstruction techniques have recently gained substantial interest for improving highly-accelerated MRI. Supervised learning of DL reconstructions generally requires fully-sampled training datasets, which is not available for high-resolution fMRI studies. To tackle this challenge, self-supervised learning has been proposed for training of DL reconstruction with only undersampled datasets, showing similar performance to supervised learning. In this study, we utilize a self-supervised physics-guided DL reconstruction on a 5-fold SMS and 4-fold in-plane accelerated 7T fMRI data. Our results show that our self-supervised DL reconstruction produce high-quality images at this 20-fold acceleration, substantially improving on existing methods, while showing similar functional precision and temporal effects in the subsequent analysis compared to a standard 10-fold accelerated acquisition.
• Abstract（参考訳）: 脳全体の高空間分解能と時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。 したがって、高速イメージング技術は、高い時空間分解能でカバレッジを向上させる。 ヒトコネクトームプロジェクトのような超高磁場fmriを含む大規模な研究において、平面内加速度と同時マルチスライス(sms)イメージングが使用されている。 しかしながら、さらに高い加速速度では、これらの方法はエイリアスやノイズアーティファクトのために確実に利用できない。 深層学習(DL)再建技術は近年,高加速度MRIの改善に大きく関心を集めている。 DL再構成の教師付き学習は一般的に、高分解能fMRI研究では利用できない完全サンプルのトレーニングデータセットを必要とする。 この課題に対処するために、自己教師付き学習は、アンダーサンプルデータセットのみを用いたDL再構築のトレーニングとして提案され、教師付き学習と同じようなパフォーマンスを示している。 本研究では,5倍のSMSと4倍の面内7T fMRIデータを用いて物理誘導型DL再構成を行う。 以上の結果から,我々の自己管理型DL再構成では,この20倍加速で高画質な画像が生成され,既存の手法よりも大幅に改善されていることがわかった。

関連論文リスト

• Deep-ER: Deep Learning ECCENTRIC Reconstruction for fast high-resolution neurometabolic imaging [3.3771864230870072]
  変化した神経代謝は、多くの神経疾患や脳がんにおいて重要な病理機構である。 ディープラーニングECCENTRIC再構成は、従来の方法よりも600倍高速な再構築を提供する。
  論文  参考訳（メタデータ） (2024-09-26T21:20:51Z)
• TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
  本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。 本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。 実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-19T13:45:13Z)
• Non-Cartesian Self-Supervised Physics-Driven Deep Learning Reconstruction for Highly-Accelerated Multi-Echo Spiral fMRI [2.213603089873724]
  物理駆動型深層学習(PD-DL)を用いて,マルチエコスパイラルfMRIを10倍高速化することを提案する。 我々は,非モンテカルロ軌道による学習を最適化するための自己教師付き学習アルゴリズムを実現し,PD-DLネットワークのトレーニングに利用した。
  論文  参考訳（メタデータ） (2023-12-09T23:33:12Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction [20.84830225817378]
  Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
  論文  参考訳（メタデータ） (2023-07-25T03:11:24Z)
• 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)
• Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning [0.487576911714538]
  自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。 その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。 後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
  論文  参考訳（メタデータ） (2021-05-10T17:36:27Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• 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)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。