論文の概要: Real-Time Mapping of Tissue Properties for Magnetic Resonance Fingerprinting

• arxiv url: http://arxiv.org/abs/2107.08120v1
• Date: Fri, 16 Jul 2021 21:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 14:47:04.376373
• Title: Real-Time Mapping of Tissue Properties for Magnetic Resonance Fingerprinting
• Title（参考訳）: 磁気共鳴フィンガープリンティングにおける組織特性のリアルタイムマッピング
• Authors: Yilin Liu, Yong Chen, Pew-Thian Yap
• Abstract要約: スパイラルk空間MRFデータから直接組織特性をシームレスにマッピングする新しいエンドツーエンドディープラーニングフレームワークを提案する。 本手法は,非カルト的k-空間データを直接消費し,適応密度補正を行い,複数の組織特性マップを前方通過で予測する。
• 参考スコア（独自算出の注目度）: 20.834829860562248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance Fingerprinting (MRF) is a relatively new multi-parametric quantitative imaging method that involves a two-step process: (i) reconstructing a series of time frames from highly-undersampled non-Cartesian spiral k-space data and (ii) pattern matching using the time frames to infer tissue properties (e.g., T1 and T2 relaxation times). In this paper, we introduce a novel end-to-end deep learning framework to seamlessly map the tissue properties directly from spiral k-space MRF data, thereby avoiding time-consuming processing such as the nonuniform fast Fourier transform (NUFFT) and the dictionary-based Fingerprint matching. Our method directly consumes the non-Cartesian k- space data, performs adaptive density compensation, and predicts multiple tissue property maps in one forward pass. Experiments on both 2D and 3D MRF data demonstrate that quantification accuracy comparable to state-of-the-art methods can be accomplished within 0.5 second, which is 1100 to 7700 times faster than the original MRF framework. The proposed method is thus promising for facilitating the adoption of MRF in clinical settings.
• Abstract（参考訳）: 磁気共鳴フィンガープリンティング(mrf)は、2段階のプロセスを含む比較的新しいマルチパラメトリックな定量的イメージング手法である: (i) 高アンサンプされた非カルテジアンスパイラルk空間データから一連の時間フレームを再構成し、(ii)時間フレームを用いて組織特性(例えばt1およびt2緩和時間)を推定するパターンマッチング。 本稿では,スパイラルk空間mrfデータから組織特性を直接シームレスにマッピングし,非一様高速フーリエ変換(nufft)や辞書ベースの指紋照合などの時間消費処理を回避するための,エンドツーエンドのディープラーニングフレームワークを提案する。 本手法は,非カルト的k-空間データを直接消費し,適応密度補正を行い,複数の組織特性マップを前方通過で予測する。 2Dと3DのMRFデータを用いた実験では、最先端手法に匹敵する量子化精度が0.5秒以内で達成できることが示されている。 提案手法は, 臨床現場におけるmrfの導入を促進することが期待できる。

関連論文リスト

• MARVEL: MR Fingerprinting with Additional micRoVascular Estimates using bidirectional LSTMs [0.8901227918730564]
  本稿では,現実的な微小血管ネットワークを含む数値ボクセルからのMR信号をシミュレーションする効率的な方法を提案する。 3人のボランティアに対して行った結果から,我々のアプローチはより高速に微小血管パラメータの定量的マップを作成できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-15T08:09:54Z)
• Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models [0.0]
  我々は多コイル高アンサンプドスパイラルMRIのための生成拡散モデルに基づく再構成アルゴリズムを作成する。 超高速スキャン時間(2D画像では0.02秒)で再構成した画像に高品質(構造的類似度 > 0.87)を示す。
  論文  参考訳（メタデータ） (2024-04-18T17:40:23Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Nonlinear Equivariant Imaging: Learning Multi-Parametric Tissue Mapping without Ground Truth for Compressive Quantitative MRI [4.576908868578682]
  高速圧縮フィンガープリント磁気共鳴法(MRF)による組織マッピングの現況 高忠実度基底真理組織マップのトレーニングデータを必要とする欠点を克服した教師付き深層学習の使用。 本稿では,地中深度MRF画像再構成の必要性を解消するために,自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-11-23T09:04:14Z)
• Magnetic Resonance Fingerprinting with compressed sensing and distance metric learning [38.88009278259666]
  MRF(Magnetic Resonance Fingerprinting)は、複数の組織関連パラメータを同時に推定する新しい技術である。 MRF法は、k空間データを著しくアンサンプするため、アーティファクトのエイリアスに悩まされる。 複数の組織関連パラメータを同時に推定する圧縮センシング(CS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-19T03:08:26Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Automated Design of Pulse Sequences for Magnetic Resonance Fingerprinting using Physics-Inspired Optimization [0.8711988786121446]
  MRF(Magnetic Resonance Fingerprinting)は、任意のパルス配列からT1やT2の緩和速度などの定量的組織特性を抽出する手法である。 ここでは、物理に着想を得た最適化を適用することで、MRFパルス列のデ・ノボ自動設計を行う。
  論文  参考訳（メタデータ） (2021-06-08T23:50:38Z)
• 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。