論文の概要: Unsupervised-learning-based method for chest MRI-CT transformation using
structure constrained unsupervised generative attention networks
- arxiv url: http://arxiv.org/abs/2106.08557v1
- Date: Wed, 16 Jun 2021 05:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:24:40.115677
- Title: Unsupervised-learning-based method for chest MRI-CT transformation using
structure constrained unsupervised generative attention networks
- Title（参考訳）: 構造拘束型非教師付き生成注意ネットワークを用いた胸部MRI-CT変換の教師なし学習に基づく方法
- Authors: Hidetoshi Matsuo (1), Mizuho Nishio (1), Munenobu Nogami (1), Feibi
Zeng (1), Takako Kurimoto (2), Sandeep Kaushik (3), Florian Wiesinger (3),
Atsushi K Kono (1), and Takamichi Murakami (1) ((1) Department of Radiology,
Kobe University Graduate School of Medicine, Kobe, Japan, (2) GE Healthcare,
Hino, Japan and (3) GE Healthcare, Munich, Germany)
- Abstract要約: PET/MRIスキャナは、PETによる代謝情報の同時取得と、MRIを用いた形態情報の取得を容易にする。
PET/MRIは、ガンマ線減衰情報とMRIとの直接的関係がないため、MRIから減衰補正マップを生成する必要がある。
本稿では,非対位画像の変換が可能なGAN(Generative Adversarial Network)に,モダリティ非依存的近傍記述子(MIND)を用いた構造制約を加えることにより,人間のアノテーションを使わずに解剖学的構造変化を最小限に抑える手段を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The integrated positron emission tomography/magnetic resonance imaging
(PET/MRI) scanner facilitates the simultaneous acquisition of metabolic
information via PET and morphological information with high soft-tissue
contrast using MRI. Although PET/MRI facilitates the capture of high-accuracy
fusion images, its major drawback can be attributed to the difficulty
encountered when performing attenuation correction, which is necessary for
quantitative PET evaluation. The combined PET/MRI scanning requires the
generation of attenuation-correction maps from MRI owing to no direct
relationship between the gamma-ray attenuation information and MRIs. While
MRI-based bone-tissue segmentation can be readily performed for the head and
pelvis regions, the realization of accurate bone segmentation via chest CT
generation remains a challenging task. This can be attributed to the
respiratory and cardiac motions occurring in the chest as well as its
anatomically complicated structure and relatively thin bone cortex. This paper
presents a means to minimise the anatomical structural changes without human
annotation by adding structural constraints using a modality-independent
neighbourhood descriptor (MIND) to a generative adversarial network (GAN) that
can transform unpaired images. The results obtained in this study revealed the
proposed U-GAT-IT + MIND approach to outperform all other competing approaches.
The findings of this study hint towards possibility of synthesising clinically
acceptable CT images from chest MRI without human annotation, thereby
minimising the changes in the anatomical structure.
- Abstract（参考訳）: PET/MRI(Integrated positron emission tomography/magnetic resonance imaging)スキャナーは、PETによる代謝情報の同時取得と、MRIを用いた高軟質コントラストによる形態情報の取得を容易にする。
PET/MRIは高精度な融合画像の撮影を容易にするが、その大きな欠点は、定量PET評価に必要な減衰補正を行う際の困難さにある。
PET/MRIスキャンの組み合わせは、ガンマ線減衰情報とMRIとの直接的関係がないため、MRIから減衰補正マップを生成する必要がある。
頭部・骨盤領域ではMRIによる骨切片分割が容易に行えるが,胸部CTによる正確な骨切片形成は依然として困難な課題である。
これは胸部における呼吸と心臓の動きと、解剖学的に複雑な構造と比較的薄い骨皮質に起因していると考えられる。
本稿では,非対位画像の変換が可能なGAN(Generative Adversarial Network)に,モダリティ非依存的近傍記述子(MIND)を用いた構造制約を加えることにより,人間のアノテーションなしで解剖学的構造変化を最小限に抑える手段を提案する。
その結果,U-GAT-IT + MINDアプローチは,他の競合するアプローチよりも優れていた。
本研究は,ヒトのアノテーションを使わずに胸部MRIから臨床的に許容されるCT像を合成し,解剖学的構造の変化を最小限に抑える可能性が示唆された。
関連論文リスト
- Structure-Guided MR-to-CT Synthesis with Spatial and Semantic Alignments for Attenuation Correction of Whole-Body PET/MR Imaging [2.21038351344962]
深層学習に基づくMR-to-CT合成は、組織の電子密度を推定し、全身PET/MRイメージングにおけるPET減衰補正を容易にする。
本稿では,これらの課題に対処する3つの新しいモジュールからなるMR-to-CT合成フレームワークを提案する。
提案した全身MR-to-CTフレームワークが視覚的に可視かつ意味的にリアルなCT画像を生成することを実証するための広範な実験を行い、PET減衰補正におけるその有用性を検証する。
論文 参考訳（メタデータ） (2024-11-26T14:57:07Z) - Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。
異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。
結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
論文 参考訳（メタデータ） (2024-07-15T16:38:59Z) - Joint Diffusion: Mutual Consistency-Driven Diffusion Model for PET-MRI Co-Reconstruction [19.790873500057355]
この研究は、MRIを加速し、PET画像の品質を向上させることを目的としている。
従来のアプローチでは、PET-MRIシステム内の各モードを別々に再構成する。
相互整合駆動拡散モード(MC-Diffusion)を用いた新しいPET-MRI関節再建モデルを提案する。
論文 参考訳（メタデータ） (2023-11-24T13:26:53Z) - 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Cine cardiac MRI reconstruction using a convolutional recurrent network
with refinement [9.173298795526152]
心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。
これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。
提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
論文 参考訳（メタデータ） (2023-09-23T14:07:04Z) - DDMM-Synth: A Denoising Diffusion Model for Cross-modal Medical Image
Synthesis with Sparse-view Measurement Embedding [7.6849475214826315]
本稿では,医療画像合成のためのDDMM-Synthという新しいフレームワークを提案する。
これはMRI誘導拡散モデルと新しいCT計測埋め込み逆サンプリングスキームを組み合わせたものである。
特定の臨床応用のための後方CTの投射数を調整することができ、その修正版はノイズのある症例に対して結果を著しく改善することができる。
論文 参考訳（メタデータ） (2023-03-28T07:13:11Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from
X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。
これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文 参考訳（メタデータ） (2023-03-02T00:52:41Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z)
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。