論文の概要: 3D High-Quality Magnetic Resonance Image Restoration in Clinics Using
Deep Learning
- arxiv url: http://arxiv.org/abs/2111.14259v1
- Date: Sun, 28 Nov 2021 22:58:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 19:07:09.049733
- Title: 3D High-Quality Magnetic Resonance Image Restoration in Clinics Using
Deep Learning
- Title(参考訳): 深層学習を用いた3次元高画質磁気共鳴画像復元
- Authors: Hao Li, Jianan Liu
- Abstract要約: 我々は3次元MRI超解像とモーションアーティファクト低減の両方に統合された2次元ディープラーニングニューラルネットワークを用いる。
また,加速度係数に基づくいくつかのダウンサンプリング戦略を解析し,制御可能かつ定量な動作アーチファクト生成法を開発した。
- 参考スコア(独自算出の注目度): 8.200110925123965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shortening acquisition time and reducing the motion-artifact are two of the
most essential concerns in magnetic resonance imaging. As a promising solution,
deep learning-based high quality MR image restoration has been investigated to
generate higher resolution and motion artifact-free MR images from lower
resolution images acquired with shortened acquisition time, without costing
additional acquisition time or modifying the pulse sequences. However, numerous
problems still exist to prevent deep learning approaches from becoming
practical in the clinic environment. Specifically, most of the prior works
focus solely on the network model but ignore the impact of various downsampling
strategies on the acquisition time. Besides, the long inference time and high
GPU consumption are also the bottle neck to deploy most of the prior works in
clinics. Furthermore, prior studies employ random movement in retrospective
motion artifact generation, resulting in uncontrollable severity of motion
artifact. More importantly, doctors are unsure whether the generated MR images
are trustworthy, making diagnosis difficult. To overcome all these problems, we
employed a unified 2D deep learning neural network for both 3D MRI super
resolution and motion artifact reduction, demonstrating such a framework can
achieve better performance in 3D MRI restoration task compared to other states
of the art methods and remains the GPU consumption and inference time
significantly low, thus easier to deploy. We also analyzed several downsampling
strategies based on the acceleration factor, including multiple combinations of
in-plane and through-plane downsampling, and developed a controllable and
quantifiable motion artifact generation method. At last, the pixel-wise
uncertainty was calculated and used to estimate the accuracy of generated
image, providing additional information for reliable diagnosis.
- Abstract(参考訳): 磁気共鳴イメージングにおいて、取得時間の短縮とモーションアーティファクトの低減が最も重要な関心事である。
将来性のある解決法として,高画質mr画像復元法について検討し,取得時間を短縮した低分解能画像から高分解能,モーションアーティファクトフリーのmr画像を生成する。
しかし, 深層学習が臨床現場で実用化されるのを防ぐために, まだまだ多くの問題が残っている。
具体的には、以前の作業のほとんどはネットワークモデルにのみフォーカスするが、取得時間に対する様々なダウンサンプリング戦略の影響を無視する。
さらに、長い推論時間と高いgpu消費は、以前の作業の大半を診療所にデプロイするためのボトルネックでもある。
さらに、先行研究では、ふりかえりのモーションアーティファクト生成にランダムな動きを用い、その結果、制御不能なモーションアーティファクトの重大さをもたらす。
さらに重要なことは、医師が生成したMR画像が信頼できるかどうかがわからないため、診断が難しいことだ。
これらの問題を克服するために,我々は,3次元MRIの超解像とモーションアーティファクトの低減のために,統一された2次元ディープラーニングニューラルネットワークを採用した。
また,複数の面内および面内ダウンサンプリングの組み合わせを含む加速度係数に基づく複数のダウンサンプリング戦略を解析し,制御可能かつ定量なモーションアーティファクト生成法を開発した。
最終的に画素ワイド不確実性を算出し、生成画像の精度を推定し、信頼性の高い診断のための追加情報を提供する。
関連論文リスト
- 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) - 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) - 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) - DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel
UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。
時間分解能の高いMRIでは空間分解能が制限される。
このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。
本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
論文 参考訳(メタデータ) (2022-02-10T22:20:58Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - 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) - 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) - Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance
Imaging -- Mini Review, Comparison and Perspectives [5.3148259096171175]
MRIの欠点の1つは、他の画像モダリティに比べて比較的遅いスキャンと再構成である。
ディープニューラルネットワーク(DNN)は、比較的高品質な画像を再現するスパースMRI再構成モデルに使われてきた。
画像の知覚品質を向上した高速MRIを実現するために,GAN(Generative Adversarial Networks)に基づく手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T23:59:00Z) - 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) - Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural
Network [18.433956246011466]
本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。
実験の結果,2つの臨床検査データセットの画質が有意に向上した。
論文 参考訳(メタデータ) (2020-06-23T01:55:57Z)
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。