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

• 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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• 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)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• 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)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• 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)
• Fine-tuning deep learning model parameters for improved super-resolution of dynamic MRI with prior-knowledge [0.3914676152740142]
  本研究は,空間情報を最大化するために,事前知識に基づく微調整による超解像(SR)MRI再構成を提案する。 損失のあるU-Netベースのネットワークをベンチマークでトレーニングし、1つの被写体固有の静的高分解能MRIを用いて微調整を行い、高分解能ダイナミック画像を得る。
  論文  参考訳（メタデータ） (2021-02-04T16:11:53Z)
• 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。