論文の概要: Assessment of Data Consistency through Cascades of Independently
Recurrent Inference Machines for fast and robust accelerated MRI
reconstruction
- arxiv url: http://arxiv.org/abs/2111.15498v1
- Date: Tue, 30 Nov 2021 15:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 14:43:36.099568
- Title: Assessment of Data Consistency through Cascades of Independently
Recurrent Inference Machines for fast and robust accelerated MRI
reconstruction
- Title(参考訳): 高速かつ堅牢なMRI再構成のための独立繰り返し推論マシンのカスケードによるデータ一貫性の評価
- Authors: D. Karkalousos, S. Noteboom, H. E. Hulst, F.M. Vos, M.W.A. Caan
- Abstract要約: データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。
本研究は、非ループ最適化によりDCを評価するために、CIRIM (Independently Recurrent Inference Machines) のカスケードを提案する。
E2EVNは直流を明示的に定式化する必要があるのに対し、直流を暗黙的に強制する場合はCIRIMが最善であることを示す。
- 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: Interpretability and robustness are imperative for integrating Machine
Learning methods for accelerated Magnetic Resonance Imaging (MRI)
reconstruction in clinical applications. Doing so would allow fast high-quality
imaging of anatomy and pathology. Data Consistency (DC) is crucial for
generalization in multi-modal data and robustness in detecting pathology. This
work proposes the Cascades of Independently Recurrent Inference Machines
(CIRIM) to assess DC through unrolled optimization, implicitly by gradient
descent and explicitly by a designed term. We perform extensive comparison of
the CIRIM to other unrolled optimization methods, being the End-to-End
Variational Network (E2EVN) and the RIM, and to the UNet and Compressed Sensing
(CS). Evaluation is done in two stages. Firstly, learning on multiple trained
MRI modalities is assessed, i.e., brain data with ${T_1}$-weighting and FLAIR
contrast, and ${T_2}$-weighted knee data. Secondly, robustness is tested on
reconstructing pathology through white matter lesions in 3D FLAIR MRI data of
relapsing remitting Multiple Sclerosis (MS) patients. Results show that the
CIRIM performs best when implicitly enforcing DC, while the E2EVN requires
explicitly formulated DC. The CIRIM shows the highest lesion contrast
resolution in reconstructing the clinical MS data. Performance improves by
approximately 11% compared to CS, while the reconstruction time is twenty times
reduced.
- Abstract(参考訳): mri(accelerated magnetic resonance imaging)再構成のための機械学習手法を臨床応用には,解釈性とロバスト性が不可欠である。
そうすることで、解剖学と病理の迅速な高品質なイメージングが可能になる。
データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。
本研究は、非ループ最適化によるDCの評価を、勾配降下により暗黙的に、設計項によって明示的に行うために、CIRIM(Cascades of Independently Recurrent Inference Machines)を提案する。
我々は,CIRIMと他の非ロール最適化手法,E2EVN(End-to-End Variational Network)とRIM,UNetとCompressed Sensing(CS)を広範囲に比較した。
評価は2段階で行われる。
まず、複数の訓練されたmriモダリティ、すなわち${t_1}$-weightingとflairコントラストを持つ脳データと${t_2}$-weighted kneeデータについて学習を評価する。
第2に, 多発性硬化症 (ms) 症例の3d flair mri における白質病変の病理組織再構成についてロバスト性について検討した。
結果は、CIRIMが直流を暗黙的に強制する場合、E2EVNは直流を明示的に定式化する必要があることを示している。
CIRIMは臨床MSデータの再構成において最も高い病変コントラスト分解能を示した。
性能はcsと比較して約11%向上し、復元時間は20倍削減されている。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳(メタデータ) (2025-01-08T05:15:43Z) - Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。
臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。
我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:56:10Z) - CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [40.11088079783521]
CMRxRecon2024データセットは、最も大きく、最もプロトカルなディバースで公開されている心臓k空間データセットである。
健常者330名から取得され、一般的に使用されるモダリティ、解剖学的視点、臨床心臓MRIにおける獲得軌跡をカバーしている。
論文 参考訳(メタデータ) (2024-06-27T09:50:20Z) - DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic
Models [11.068359534951783]
DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。
我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。
その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
論文 参考訳(メタデータ) (2023-12-08T06:11:21Z) - Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI
Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。
トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。
画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文 参考訳(メタデータ) (2023-02-18T06:11:49Z) - Adaptive PromptNet For Auxiliary Glioma Diagnosis without
Contrast-Enhanced MRI [11.231836756951655]
マルチコントラストMRI(Multi-Contrast MRI)をベースとした自動補助グリオーマ診断はクリニックにおいて重要な役割を担っている。
コントラスト強調MRI(コントラスト強調T1強調画像)は、既存の研究の多くで利用された。
しかし、コントラスト強調画像の取得は、患者の生理的制約のため、実現不可能な場合もある。
医院で造影MRIデータを収集するのには、時間と費用がかかる。
論文 参考訳(メタデータ) (2022-11-15T08:02:54Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - 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) - Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
論文 参考訳(メタデータ) (2021-08-17T17:45:51Z) - Multi-Coil MRI Reconstruction Challenge -- Assessing Brain MRI
Reconstruction Models and their Generalizability to Varying Coil
Configurations [40.263770807921524]
深層学習に基づく脳磁気共鳴画像(MRI)再構成法は、MRI取得プロセスを加速する可能性がある。
マルチコイル磁気共鳴画像(MC-MRI)再構成チャレンジは、これらの問題に対処するためのベンチマークを提供する。
本稿では,この課題を実験的に考察し,脳MRI再建モデルのベースラインと状態のセットの結果を要約する。
論文 参考訳(メタデータ) (2020-11-10T04:11:48Z)
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。