論文の概要: SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image
Labels for Quantitative Clinical Evaluation
- arxiv url: http://arxiv.org/abs/2203.06823v1
- Date: Mon, 14 Mar 2022 02:40:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 16:44:21.657378
- Title: SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image
Labels for Quantitative Clinical Evaluation
- Title（参考訳）: SKM-TEA:Dense Image Labelを用いたMRI画像再構成の定量的評価のためのデータセット
- Authors: Arjun D Desai, Andrew M Schmidt, Elka B Rubin, Christopher M Sandino,
Marianne S Black, Valentina Mazzoli, Kathryn J Stevens, Robert Boutin,
Christopher R\'e, Garry E Gold, Brian A Hargreaves, Akshay S Chaudhari
- Abstract要約: 定量的膝関節MRI(qMRI)画像の収集であるMulti-Task Evaluationデータセットを用いて,Stanford Knee MRIを提案する。
このデータセットは、匿名患者MRIスキャンの25,000スライス(155例)の生データ測定から成り立っている。
我々は、画像再構成や高密度画像ラベルとともに、MRI再構成、セグメンテーション、検出技術から抽出されたqMRIバイオマーカー推定の品質を測定するために、qMRIパラメータマップを使用するためのフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 5.37260403457093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) is a cornerstone of modern medical imaging.
However, long image acquisition times, the need for qualitative expert
analysis, and the lack of (and difficulty extracting) quantitative indicators
that are sensitive to tissue health have curtailed widespread clinical and
research studies. While recent machine learning methods for MRI reconstruction
and analysis have shown promise for reducing this burden, these techniques are
primarily validated with imperfect image quality metrics, which are discordant
with clinically-relevant measures that ultimately hamper clinical deployment
and clinician trust. To mitigate this challenge, we present the Stanford Knee
MRI with Multi-Task Evaluation (SKM-TEA) dataset, a collection of quantitative
knee MRI (qMRI) scans that enables end-to-end, clinically-relevant evaluation
of MRI reconstruction and analysis tools. This 1.6TB dataset consists of
raw-data measurements of ~25,000 slices (155 patients) of anonymized patient
MRI scans, the corresponding scanner-generated DICOM images, manual
segmentations of four tissues, and bounding box annotations for sixteen
clinically relevant pathologies. We provide a framework for using qMRI
parameter maps, along with image reconstructions and dense image labels, for
measuring the quality of qMRI biomarker estimates extracted from MRI
reconstruction, segmentation, and detection techniques. Finally, we use this
framework to benchmark state-of-the-art baselines on this dataset. We hope our
SKM-TEA dataset and code can enable a broad spectrum of research for modular
image reconstruction and image analysis in a clinically informed manner.
Dataset access, code, and benchmarks are available at
https://github.com/StanfordMIMI/skm-tea.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は現代の医療画像の基盤となっている。
しかし、長い画像取得時間、質的専門家分析の必要性、組織健康に敏感な量的指標の欠如(および抽出の困難さ)は、広く臨床研究と研究の研究を妨げている。
最近のMRI再建と解析のための機械学習手法では、この負担を軽減することが期待されているが、これらの手法は、主に不完全な画像品質の指標で検証されている。
この課題を軽減すべく,多タスク評価(skm-tea)データセット(qmri)を用いて,mri再構成・解析ツールのエンドツーエンド・臨床関連評価を可能にする定量的膝mri(qmri)スキャンの収集を行った。
この1.6TBデータセットは、匿名患者のMRIスキャンの約25,000スライス(155例)、対応するスキャナ生成DICOM画像、4つの組織の手動セグメンテーション、および16の臨床的関連疾患に対するバウンディングボックスアノテーションの生データから成り立っている。
画像再構成や高密度画像ラベルと共にqmriパラメータマップを用いて、mri再構成、セグメンテーション、検出技術から抽出されたqmriバイオマーカー推定の品質を測定するフレームワークを提供する。
最後に、このフレームワークを使用して、このデータセットの最先端のベースラインをベンチマークします。
我々は,SKM-TEAデータセットとコードを用いて,画像再構成と画像解析を臨床的に情報化するための幅広い研究を可能にすることを願っている。
データセットへのアクセス、コード、ベンチマークはhttps://github.com/stanfordmimi/skm-teaで利用可能である。
関連論文リスト
- 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) - Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with
Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。
提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文 参考訳（メタデータ） (2023-10-31T16:39:56Z) - 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) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳（メタデータ） (2023-06-01T10:29:58Z) - 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) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - fastMRI+: Clinical Pathology Annotations for Knee and Brain Fully
Sampled Multi-Coil MRI Data [4.198836939188265]
この研究は16154のサブスペシャリストの専門家によるボックスアノテーションと、FastMRI膝データセット上の22の異なる病理カテゴリの13のレベルラベルで構成されている。
fastMRI+データセットはオープンアクセスであり、MRI再建以降の医療画像のさらなる研究と進歩を支援することを目的としている。
論文 参考訳（メタデータ） (2021-09-08T17:58:31Z) - Unsupervised learning of MRI tissue properties using MRI physics models [10.979093424231532]
すべての臨床スキャナーで利用可能なプロトコルを使用して、単一のスキャンセッションから組織特性を推定することは、スキャン時間とコストを削減することを約束する。
我々は,MRI物理を用いた教師なし深層学習戦略を提案し,単一のマルチエコーMRIスキャンセッションから3つの組織特性を推定する。
組織特性推定とMRI合成の精度向上と一般化性を示した。
論文 参考訳（メタデータ） (2021-07-06T16:07:14Z) - Deep Learning for Musculoskeletal Image Analysis [5.271212551436945]
本研究では,機械学習,特にディープラーニングの手法を用いて,MRIスキャンの迅速かつ正確な画像解析を行う方法について述べる。
メニスカスおよび前十字靭帯断裂を含む各種異常の機械学習分類について検討した。
広く用いられている畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを用いて,膝の異常分類性能を比較検討した。
論文 参考訳（メタデータ） (2020-03-01T18:13:59Z)
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。