論文の概要: Predicting 4D Liver MRI for MR-guided Interventions
- arxiv url: http://arxiv.org/abs/2202.12628v1
- Date: Fri, 25 Feb 2022 11:34:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 20:02:17.494730
- Title: Predicting 4D Liver MRI for MR-guided Interventions
- Title（参考訳）: MRガイド下手術における4次元肝MRIの検討
- Authors: Gino Gulamhussene, Anneke Meyer, Marko Rak, Oleksii Bashkanov, Jazan
Omari, Maciej Pech, Christian Hansen
- Abstract要約: 臓器の動きは、画像誘導の介入において未解決の課題となる。
視野が大きいリアルタイム高分解能4次元MRIのための新しい手法を提案する。
取得時間を2分に短縮した小さなトレーニングサイズでは,すでに有望な結果が得られていることを示す。
- 参考スコア（独自算出の注目度）: 2.9699476315275772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organ motion poses an unresolved challenge in image-guided interventions. In
the pursuit of solving this problem, the research field of time-resolved
volumetric magnetic resonance imaging (4D MRI) has evolved. However, current
techniques are unsuitable for most interventional settings because they lack
sufficient temporal and/or spatial resolution or have long acquisition times.
In this work, we propose a novel approach for real-time, high-resolution 4D MRI
with large fields of view for MR-guided interventions. To this end, we trained
a convolutional neural network (CNN) end-to-end to predict a 3D liver MRI that
correctly predicts the liver's respiratory state from a live 2D navigator MRI
of a subject. Our method can be used in two ways: First, it can reconstruct
near real-time 4D MRI with high quality and high resolution (209x128x128 matrix
size with isotropic 1.8mm voxel size and 0.6s/volume) given a dynamic
interventional 2D navigator slice for guidance during an intervention. Second,
it can be used for retrospective 4D reconstruction with a temporal resolution
of below 0.2s/volume for motion analysis and use in radiation therapy. We
report a mean target registration error (TRE) of 1.19 $\pm$0.74mm, which is
below voxel size. We compare our results with a state-of-the-art retrospective
4D MRI reconstruction. Visual evaluation shows comparable quality. We show that
small training sizes with short acquisition times down to 2min can already
achieve promising results and 24min are sufficient for high quality results.
Because our method can be readily combined with earlier methods, acquisition
time can be further decreased while also limiting quality loss. We show that an
end-to-end, deep learning formulation is highly promising for 4D MRI
reconstruction.
- Abstract（参考訳）: 臓器の動きは、画像誘導の介入において未解決の課題となる。
この問題を解決するために、時間分解型体積磁気共鳴イメージング(4D MRI)の研究分野が発展してきた。
しかし、現在の手法は時間的・空間的解像度の不足や長い取得時間があるため、ほとんどの介入設定には適さない。
本研究では,MRガイド下手術に対する視野が大きいリアルタイム高分解能4次元MRIのための新しいアプローチを提案する。
この目的のために、我々は畳み込みニューラルネットワーク(CNN)を訓練し、被験者のライブ2DナビゲータMRIから肝臓の呼吸状態を正確に予測する3D肝MRIを予測した。
本手法は2つの方法で使用可能である: まず, 実時間に近い4次元mriを高品質・高分解能で再構成できる(同方性1.8mmボクセルサイズ0.6s/ボリュームの209x128x128マトリックスサイズ)。
第2に, 時間分解能が0.2s/ボリューム以下の回顧的4次元再構成に使用し, 放射線治療に使用できる。
平均目標登録誤差 (TRE) は1.19$\pm$0.74mmであり, ボクセルサイズ以下である。
この結果と最先端の4D MRI再構成との比較を行った。
視覚的評価は同等の品質を示す。
取得時間を2分に短縮した小さなトレーニングサイズでは,有望な結果が得られ,24分で高品質な結果が得られることを示す。
提案手法は従来手法と容易に組み合わせることができるため,品質損失を抑えつつ,取得時間を短縮することができる。
エンド・ツー・エンドのディープラーニングは4次元mri再構成に非常に有望である。
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) - Deep-learning-based acceleration of MRI for radiotherapy planning of
pediatric patients with brain tumors [39.58317527488534]
RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。
DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
論文 参考訳（メタデータ） (2023-11-22T16:01:44Z) - 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) - Implicit neural representations for unsupervised super-resolution and
denoising of 4D flow MRI [1.207455285737927]
大動脈内3方向速度の時間変化に対するSIRENの4次元フローMRIによる検討を行った。
本手法をボクセル座標で訓練し, 合成計測と実際の4次元フローMRIによるアプローチをベンチマークした。
我々の最適化されたSIRENアーキテクチャは最先端技術より優れており、臨床データから解離・超解離速度場を生成する。
論文 参考訳（メタデータ） (2023-02-24T08:42:04Z) - Coarse-Super-Resolution-Fine Network (CoSF-Net): A Unified End-to-End
Neural Network for 4D-MRI with Simultaneous Motion Estimation and
Super-Resolution [21.75329634476446]
我々は,高分解能ネットワーク(CoSF-Net)と呼ばれる新しいディープラーニングフレームワークを開発した。
既存のネットワークと最先端の3つのアルゴリズムと比較して、CoSF-Netは4D-MRIの呼吸相間の変形可能なベクトル場を正確に推定するだけでなく、解剖学的特徴を増強した4D-MRIの空間分解能も同時に改善した。
論文 参考訳（メタデータ） (2022-11-21T01:42:51Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - 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) - 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) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z)
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。