論文の概要: Unsupervised learning of MRI tissue properties using MRI physics models
- arxiv url: http://arxiv.org/abs/2107.02704v1
- Date: Tue, 6 Jul 2021 16:07:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:33:13.945005
- Title: Unsupervised learning of MRI tissue properties using MRI physics models
- Title（参考訳）: MRI物理モデルを用いたMRI組織特性の教師なし学習
- Authors: Divya Varadarajan, Katherine L. Bouman, Andre van der Kouwe, Bruce
Fischl, Adrian V. Dalca
- Abstract要約: すべての臨床スキャナーで利用可能なプロトコルを使用して、単一のスキャンセッションから組織特性を推定することは、スキャン時間とコストを削減することを約束する。
我々は,MRI物理を用いた教師なし深層学習戦略を提案し,単一のマルチエコーMRIスキャンセッションから3つの組織特性を推定する。
組織特性推定とMRI合成の精度向上と一般化性を示した。
- 参考スコア（独自算出の注目度）: 10.979093424231532
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In neuroimaging, MRI tissue properties characterize underlying neurobiology,
provide quantitative biomarkers for neurological disease detection and
analysis, and can be used to synthesize arbitrary MRI contrasts. Estimating
tissue properties from a single scan session using a protocol available on all
clinical scanners promises to reduce scan time and cost, enable quantitative
analysis in routine clinical scans and provide scan-independent biomarkers of
disease. However, existing tissue properties estimation methods - most often
$\mathbf{T_1}$ relaxation, $\mathbf{T_2^*}$ relaxation, and proton density
($\mathbf{PD}$) - require data from multiple scan sessions and cannot estimate
all properties from a single clinically available MRI protocol such as the
multiecho MRI scan. In addition, the widespread use of non-standard acquisition
parameters across clinical imaging sites require estimation methods that can
generalize across varying scanner parameters. However, existing learning
methods are acquisition protocol specific and cannot estimate from heterogenous
clinical data from different imaging sites. In this work we propose an
unsupervised deep-learning strategy that employs MRI physics to estimate all
three tissue properties from a single multiecho MRI scan session, and
generalizes across varying acquisition parameters. The proposed strategy
optimizes accurate synthesis of new MRI contrasts from estimated latent tissue
properties, enabling unsupervised training, we also employ random acquisition
parameters during training to achieve acquisition generalization. We provide
the first demonstration of estimating all tissue properties from a single
multiecho scan session. We demonstrate improved accuracy and generalizability
for tissue property estimation and MRI synthesis.
- Abstract（参考訳）: 神経イメージングにおいて、MRIの組織特性は神経生物学の基礎を特徴づけ、神経疾患の検出と解析のための定量的なバイオマーカーを提供し、任意のMRIコントラストの合成に使用できる。
全ての臨床スキャナーで利用可能なプロトコルを用いて単一のスキャンセッションから組織特性を推定することにより、スキャン時間とコストを削減し、定期的な臨床スキャンにおける定量的分析を可能にし、疾患のスキャン非依存バイオマーカーを提供する。
しかしながら、既存の組織特性推定手法(しばしば$\mathbf{T_1}$緩和、$\mathbf{T_2^*}$緩和、およびプロトン密度($\mathbf{PD}$))は、複数のスキャンセッションからのデータを必要とし、マルチエコーMRIスキャンのような単一の臨床的に利用可能なMRIプロトコルから全ての特性を推定できない。
加えて、臨床画像サイト全体にわたる非標準取得パラメータの広範な利用には、様々なスキャナパラメータをまたいで一般化できる推定方法が必要となる。
しかし、既存の学習方法は獲得プロトコルに特有であり、異なる画像サイトからの異種臨床データから推定することはできない。
本研究では,MRI物理を用いた教師なし深層学習戦略を提案し,単一のマルチエコーMRIスキャンセッションから3つの組織特性を推定し,様々な取得パラメータを一般化する。
提案手法は, 推定潜伏組織特性から新しいMRIコントラストの正確な合成を最適化し, 教師なしトレーニングを可能にするとともに, 学習中にランダムな取得パラメータを用いて獲得一般化を実現する。
我々は、単一のマルチエコースキャンセッションから全ての組織特性を推定する最初の実演を提供する。
組織特性推定とMRI合成の精度向上と一般化性を示した。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Coordinate-Based Neural Representation Enabling Zero-Shot Learning for 3D Multiparametric Quantitative MRI [4.707353256136099]
我々は,同時マルチパラメトリックqMRIのためのデータ取得と教師なし再構成を含む,革新的なイメージング手法であるSUMMITを提案する。
qMRI再構成のための教師なしアプローチは、様々な医用画像モダリティに適用可能な、新しいゼロショット学習パラダイムも導入する。
論文 参考訳（メタデータ） (2024-10-02T14:13:06Z) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。
提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。
19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
論文 参考訳（メタデータ） (2024-09-05T19:52:09Z) - 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) - 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) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Integrative Imaging Informatics for Cancer Research: Workflow Automation
for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。
エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。
欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文 参考訳（メタデータ） (2022-10-06T18:23:42Z) - SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image
Labels for Quantitative Clinical Evaluation [5.37260403457093]
定量的膝関節MRI(qMRI)画像の収集であるMulti-Task Evaluationデータセットを用いて,Stanford Knee MRIを提案する。
このデータセットは、匿名患者MRIスキャンの25,000スライス(155例)の生データ測定から成り立っている。
我々は、画像再構成や高密度画像ラベルとともに、MRI再構成、セグメンテーション、検出技術から抽出されたqMRIバイオマーカー推定の品質を測定するために、qMRIパラメータマップを使用するためのフレームワークを提供する。
論文 参考訳（メタデータ） (2022-03-14T02:40:40Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。