Fugu-MT 論文翻訳(概要): Accurate super-resolution low-field brain MRI

論文の概要: Accurate super-resolution low-field brain MRI

arxiv url: http://arxiv.org/abs/2202.03564v1
Date: Mon, 7 Feb 2022 23:57:28 GMT
ステータス: 処理完了
システム内更新日: 2022-02-09 16:24:36.823557
Title: Accurate super-resolution low-field brain MRI
Title（参考訳）: 超高分解能低磁場MRI
Authors: Juan Eugenio Iglesias, Riana Schleicher, Sonia Laguna, Benjamin Billot, Pamela Schaefer, Brenna McKaig, Joshua N. Goldstein, Kevin N. Sheth, Matthew S. Rosen, W. Taylor Kimberly
Abstract要約: LFMRI T1重み付きシーケンスから1mm等方性MPRAGE様スキャンを合成するための機械学習アルゴリズムの拡張について報告する。これらの結果は、LFMRIにおける正常画像および異常画像の検出を高めるための今後の研究の基礎となった。
参考スコア（独自算出の注目度）: 0.6501025489527174
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The recent introduction of portable, low-field MRI (LF-MRI) into the clinical setting has the potential to transform neuroimaging. However, LF-MRI is limited by lower resolution and signal-to-noise ratio, leading to incomplete characterization of brain regions. To address this challenge, recent advances in machine learning facilitate the synthesis of higher resolution images derived from one or multiple lower resolution scans. Here, we report the extension of a machine learning super-resolution (SR) algorithm to synthesize 1 mm isotropic MPRAGE-like scans from LF-MRI T1-weighted and T2-weighted sequences. Our initial results on a paired dataset of LF and high-field (HF, 1.5T-3T) clinical scans show that: (i) application of available automated segmentation tools directly to LF-MRI images falters; but (ii) segmentation tools succeed when applied to SR images with high correlation to gold standard measurements from HF-MRI (e.g., r = 0.85 for hippocampal volume, r = 0.84 for the thalamus, r = 0.92 for the whole cerebrum). This work demonstrates proof-of-principle post-processing image enhancement from lower resolution LF-MRI sequences. These results lay the foundation for future work to enhance the detection of normal and abnormal image findings at LF and ultimately improve the diagnostic performance of LF-MRI. Our tools are publicly available on FreeSurfer (surfer.nmr.mgh.harvard.edu/).
Abstract（参考訳）: 最近の臨床領域へのポータブル低磁場MRI(LF-MRI)の導入は、ニューロイメージングを変革する可能性がある。しかし、LF-MRIは低分解能と信号-雑音比によって制限されており、脳の領域を不完全に特徴づけている。この課題に対処するため、機械学習の最近の進歩により、1つまたは複数の低解像度スキャンから得られる高解像度画像の合成が容易になった。本稿では,lf-mri t1重み付きおよびt2重み付きシーケンスから1mm等方性mprage様スキャンを合成する機械学習スーパーレゾリューション(sr)アルゴリズムの拡張について報告する。 LF と High-field (HF, 1.5T-3T) のペアデータセットの初期結果は以下の通りである。 (i)LF-MRI画像への自動分割ツールの直接適用 (II) HF-MRIによる金標準測定と高い相関関係を持つSR画像に適用した場合に、セグメンテーションツールが成功する(例えば、海馬体積のr = 0.85、視床のr = 0.84、大脳全体のr = 0.92)。本研究は,低分解能LF-MRI系列からのポストプロセッシング画像の高精細化を実証する。これらの結果は、LFにおける正常画像および異常画像の検出を高め、最終的にLF-MRIの診断性能を向上させるための今後の研究の基礎となった。私たちのツールはFreeSurfer(surfer.nmr.mgh.harvard.edu/)で公開されています。

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)
NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文参考訳（メタデータ） (2024-03-27T02:42:52Z)
Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合した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） (2024-02-13T12:21:06Z)
Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
高分解能fMRIは脳のメソスケール組織への窓を提供する。しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
論文参考訳（メタデータ） (2023-11-25T03:33:36Z)
FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and adjacent structures on high-resolutional brain MRI [3.869627124798774]
視床下部のサブセグメンテーションのためのHypVINNという,新しい,高速で,完全自動化されたディープラーニング手法を提案する。我々は,視床下部の容積効果を再現するためのセグメンテーション精度,一般化可能性,セッション内テストの信頼性,感度に関して,我々のモデルを広範囲に検証した。
論文参考訳（メタデータ） (2023-08-24T12:26:38Z)
InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model [1.4126798060929953]
研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。通常の臨床MRIスキャンは通常、低分解能(LR)である MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-08-23T23:04:42Z)
Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
論文参考訳（メタデータ） (2022-11-28T04:09:21Z)
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)
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)

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。