論文の概要: Multi-task Deep Learning for Cerebrovascular Disease Classification and
MRI-to-PET Translation
- arxiv url: http://arxiv.org/abs/2202.06142v1
- Date: Sat, 12 Feb 2022 21:02:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 13:16:14.876214
- Title: Multi-task Deep Learning for Cerebrovascular Disease Classification and
MRI-to-PET Translation
- Title（参考訳）: 脳血管疾患分類とMRI-PET翻訳のためのマルチタスク深層学習
- Authors: Ramy Hussein, Moss Zhao, David Shin, Jia Guo, Kevin T. Chen, Rui D.
Armindo, Guido Davidzon, Michael Moseley, and Greg Zaharchuk
- Abstract要約: 本稿では,脳MRIからPETへの翻訳と疾患診断のためのマルチタスク学習フレームワークを提案する。
提案フレームワークは,(1)マルチコントラストMRI画像から高品質PET CBFマップを合成する注意型3Dエンコーダ・デコーダ畳み込みニューラルネットワーク(CNN)と,(2)入力されたMRI画像に対応する脳疾患を識別するマルチスケール3D CNNとからなる。
- 参考スコア（独自算出の注目度）: 9.315779561461902
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Accurate quantification of cerebral blood flow (CBF) is essential for the
diagnosis and assessment of cerebrovascular diseases such as Moyamoya, carotid
stenosis, aneurysms, and stroke. Positron emission tomography (PET) is
currently regarded as the gold standard for the measurement of CBF in the human
brain. PET imaging, however, is not widely available because of its prohibitive
costs, use of ionizing radiation, and logistical challenges, which require a
co-localized cyclotron to deliver the 2 min half-life Oxygen-15 radioisotope.
Magnetic resonance imaging (MRI), in contrast, is more readily available and
does not involve ionizing radiation. In this study, we propose a multi-task
learning framework for brain MRI-to-PET translation and disease diagnosis. The
proposed framework comprises two prime networks: (1) an attention-based 3D
encoder-decoder convolutional neural network (CNN) that synthesizes
high-quality PET CBF maps from multi-contrast MRI images, and (2) a multi-scale
3D CNN that identifies the brain disease corresponding to the input MRI images.
Our multi-task framework yields promising results on the task of MRI-to-PET
translation, achieving an average structural similarity index (SSIM) of 0.94
and peak signal-to-noise ratio (PSNR) of 38dB on a cohort of 120 subjects. In
addition, we show that integrating multiple MRI modalities can improve the
clinical diagnosis of brain diseases.
- Abstract（参考訳）: 脳血流の正確な定量化はモヤモヤ、頸動脈狭窄、動脈瘤、脳卒中などの脳血管疾患の診断と評価に不可欠である。
PET(Positron emission tomography)は、現在ヒト脳におけるCBF測定における金の標準とされている。
しかしPETイメージングは、その禁止コスト、電離放射線の使用、そして2分間の半減期である酸素-15放射性同位体を供給するために共局在サイクロトロンを必要とする論理的課題のために、広く利用できない。
対照的に磁気共鳴イメージング(mri)はより容易に利用可能であり、電離放射線は含まない。
本研究では,脳MRIからPETへの翻訳と疾患診断のためのマルチタスク学習フレームワークを提案する。
提案フレームワークは,(1)マルチコントラストMRI画像から高品質PET CBFマップを合成する注意型3Dエンコーダ・デコーダ畳み込みニューラルネットワーク(CNN)と,(2)入力されたMRI画像に対応する脳疾患を識別するマルチスケール3D CNNとからなる。
マルチタスク・フレームワークはMRI-PET翻訳のタスクにおいて,平均構造類似度指数(SSIM)が0.94,ピーク信号-雑音比(PSNR)が38dBで120の被験者で達成された。
また,複数のmriモードを統合することで,脳疾患の臨床診断を改善できることを示した。
関連論文リスト
- Unpaired Volumetric Harmonization of Brain MRI with Conditional Latent Diffusion [13.563413478006954]
条件付き潜時拡散(HCLD)による新しい3次元MRI高調波化フレームワークを提案する。
一般化可能な3Dオートエンコーダを備え、4Dラテント空間を通じてMRIを符号化しデコードする。
HCLDは、潜伏分布を学習し、ターゲット画像スタイルで条件付きで、ソースMRIから解剖学的情報と調和したMRIを生成する。
論文 参考訳（メタデータ） (2024-08-18T00:13:48Z) - Functional Imaging Constrained Diffusion for Brain PET Synthesis from Structural MRI [5.190302448685122]
新しい制約拡散モデル (CDM) を用いて, 入力条件として2組構造MRIを用いた3次元脳PET画像合成のためのフレームワークを提案する。
FICDはPETにノイズを導入し、CDMで徐々に除去する。
CDMは、各denoized PETと基底真理との間のボクセルワイドアライメントを確保するために、機能的イメージング制約を導入して、denoized PETを予測することを学ぶ。
論文 参考訳（メタデータ） (2024-05-03T22:33:46Z) - Predicting Hypoxia in Brain Tumors from Multiparametric MRI [0.06595985097582759]
マルチパラメトリックMRI(Multi-parametric Magnetic Resonance Imaging)を用いた脳腫瘍の低酸素化予測のための新しいアプローチを提案する。
訓練されたモデルはMRIの特徴と対応するFMISO PET信号の複雑な関係を効果的に学習する。
その結果、予測されたFMISO PET信号と実際のFMISO PET信号の相関が強く、PSNRスコアは29.6以上、SSIMスコアは0.94以上であった。
論文 参考訳（メタデータ） (2024-01-25T13:28:53Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Synthesizing PET images from High-field and Ultra-high-field MR images Using Joint Diffusion Attention Model [18.106861006893524]
PETスキャンはコストが高く、放射性曝露を伴うため、PETが欠如する。
超高磁場イメージングは臨床と学術の両方で有用であることが証明されている。
高速MRIと超高磁場MRIの合成PET法を提案する。
論文 参考訳（メタデータ） (2023-05-06T02:41:03Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks [10.095428964324874]
放射線標識水(15O-water)を用いたPET(Positron emission tomography)はヒトの脳血流測定における金標準であると考えられている。
PETイメージングは、その禁止コストと、通常現場でのサイクロトロン生産を必要とする短命な放射性医薬品トレーサの使用により、広く利用できない。
本研究では,マルチシーケンスMRIスキャンから金標準の15O-PET CBFを予測するためのアテンション機構を備えた畳み込みエンコーダデコーダネットワークを提案する。
論文 参考訳（メタデータ） (2022-11-22T08:25:44Z) - 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) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。