論文の概要: Deep learning-based reconstruction of highly accelerated 3D MRI

• arxiv url: http://arxiv.org/abs/2203.04674v1
• Date: Wed, 9 Mar 2022 12:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-11 01:15:28.348813
• Title: Deep learning-based reconstruction of highly accelerated 3D MRI
• Title（参考訳）: 高速度3次元MRIの深層学習による再構成
• Abstract要約: DL-Speedは3次元T1重み付き脳スキャンデータを用いて訓練され、高アンサンプされたk空間データから複雑な値の画像を再構成した。 3次元MPRAGE脳スキャンデータから10倍の加速を再現して評価した。 DL-Speedは前向きアンサンプされたスキャンデータに対して合理的に良好な性能を示し,スキャン時間の2～5倍の削減を実現した。
• 参考スコア（独自算出の注目度）: 0.6023590691155803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To accelerate brain 3D MRI scans by using a deep learning method for reconstructing images from highly-undersampled multi-coil k-space data Methods: DL-Speed, an unrolled optimization architecture with dense skip-layer connections, was trained on 3D T1-weighted brain scan data to reconstruct complex-valued images from highly-undersampled k-space data. The trained model was evaluated on 3D MPRAGE brain scan data retrospectively-undersampled with a 10-fold acceleration, compared to a conventional parallel imaging method with a 2-fold acceleration. Scores of SNR, artifacts, gray/white matter contrast, resolution/sharpness, deep gray-matter, cerebellar vermis, anterior commissure, and overall quality, on a 5-point Likert scale, were assessed by experienced radiologists. In addition, the trained model was tested on retrospectively-undersampled 3D T1-weighted LAVA (Liver Acquisition with Volume Acceleration) abdominal scan data, and prospectively-undersampled 3D MPRAGE and LAVA scans in three healthy volunteers and one, respectively. Results: The qualitative scores for DL-Speed with a 10-fold acceleration were higher than or equal to those for the parallel imaging with 2-fold acceleration. DL-Speed outperformed a compressed sensing method in quantitative metrics on retrospectively-undersampled LAVA data. DL-Speed was demonstrated to perform reasonably well on prospectively-undersampled scan data, realizing a 2-5 times reduction in scan time. Conclusion: DL-Speed was shown to accelerate 3D MPRAGE and LAVA with up to a net 10-fold acceleration, achieving 2-5 times faster scans compared to conventional parallel imaging and acceleration, while maintaining diagnostic image quality and real-time reconstruction. The brain scan data-trained DL-Speed also performed well when reconstructing abdominal LAVA scan data, demonstrating versatility of the network.
• Abstract（参考訳）: 目的: 高アンサンプされたマルチコイルk空間データから画像を再構成する深層学習法を用いて脳の3次元MRIスキャンを高速化する手法: 高アンサンプされたk空間データから高アンサンプされたk空間データから複雑な画像を再構成するために、3次元T1重み付き脳スキャンデータをトレーニングした。 3次元MPRAGE脳スキャンデータを用いて,従来の2倍加速度のパラレルイメージング法と比較して,10倍加速度で再検討した。 snr, アーティファクト, 灰色/白質コントラスト, 解像度/シャープネス, 深い灰色マッター, 小脳縁, 前頭葉, 全体的な品質は, 経験豊富な放射線科医によって評価された。 さらに, 3D MPRAGEおよびLAVAスキャンを健常者3名と健常者1名を対象に, 3次元T1重み付きLAVA(Liver Acquisition with Volume Acceleration)腹部CTデータを用いて検討した。 結果:10倍加速のDL-Speedの定性スコアは2倍加速の平行画像の定性スコアよりも高かった。 DL-Speedは、LAVAデータの定量的測定値において圧縮センシング法より優れていた。 DL-Speedは前向きアンサンプされたスキャンデータに対して合理的に良好な性能を示し,スキャン時間の2～5倍の削減を実現した。 結論: DL-Speedは3次元MPRAGEとLAVAを最大10倍の加速で加速し, 診断画像の品質とリアルタイム再構成を維持しながら, 従来の並列画像と加速の2～5倍の高速スキャンを実現した。 脳スキャンデータトレーニングdl-speedも腹部溶岩スキャンデータ再構成時に良好に動作し,ネットワークの汎用性を示した。

関連論文リスト

• Fast Multi-Stack Slice-to-Volume Reconstruction via Multi-Scale Unrolled Optimization [6.712738779940082]
  本稿では,複数の2次元スライススタックを融合してコヒーレントな3次元構造を復元する高速畳み込みフレームワークを提案する。 胎児脳MRIを用いて, 高品質な3Dボリュームを10秒未満で再構成し, 1sスライス登録と精度を最先端の反復SVRパイプラインと比較した。
  論文  参考訳（メタデータ） (2026-01-12T13:18:49Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
  既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。 高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。 4DRGSは5分間のトレーニングで印象的な結果を得る。
  論文  参考訳（メタデータ） (2024-12-17T13:51:56Z)
• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• Deep Learning-based Accelerated MR Cholangiopancreatography without Fully-sampled Data [0.8422467541029346]
  我々は、教師付き(SV)と自己教師付き(SSV)アプローチを用いて、ディープラーニング(DL)再建を訓練した。 標準技術, 並列イメージング (PI) および圧縮センシング (CS) によるDL再構成の評価を行った。 599/542から3T/0.55TでMRCPを55/180秒に短縮した。
  論文  参考訳（メタデータ） (2024-05-06T10:53:13Z)
• Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models [0.0]
  我々は多コイル高アンサンプドスパイラルMRIのための生成拡散モデルに基づく再構成アルゴリズムを作成する。 超高速スキャン時間(2D画像では0.02秒)で再構成した画像に高品質(構造的類似度 > 0.87)を示す。
  論文  参考訳（メタデータ） (2024-04-18T17:40:23Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Accelerating 3D MULTIPLEX MRI Reconstruction with Deep Learning [7.85035197356331]
  マルチフリップ角(FA)とマルチエコレックスGRE法(MULTIP MRI)は1つのスキャンで同時に複数のパラメトリック画像を取得するために開発された。 3次元MRIデータ再構築のための深層学習フレームワークを提案する。 提案する深層学習法は,画像品質と再構成時間において良好な性能を示す。
  論文  参考訳（メタデータ） (2021-05-17T21:06:14Z)
• 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep Learning Reconstruction [0.487576911714538]
  脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。 ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。 本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
  論文  参考訳（メタデータ） (2021-05-12T17:39:16Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Self-Supervised Physics-Guided Deep Learning Reconstruction For High-Resolution 3D LGE CMR [1.759008116536278]
  3D等方性LGE CMRは2Dイメージングと比較してカバレッジと解像度が改善されている。 画像の加速は、長時間のスキャン時間とコントラストの洗い出しによって要求される。 完全サンプルデータなしでPG-DL技術を訓練するための自己教師付き学習手法が提案された。
  論文  参考訳（メタデータ） (2020-11-18T17:22:21Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。