論文の概要: BFRnet: A deep learning-based MR background field removal method for QSM of the brain containing significant pathological susceptibility sources

• arxiv url: http://arxiv.org/abs/2204.02760v1
• Date: Wed, 6 Apr 2022 12:05:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 20:17:00.575098
• Title: BFRnet: A deep learning-based MR background field removal method for QSM of the brain containing significant pathological susceptibility sources
• Title（参考訳）: bfrnet : 有意な病態感受性源を含む脳のqsmに対する深層学習に基づくmr背景野除去法
• Authors: Xuanyu Zhu, Yang Gao, Feng Liu, Stuart Crozier, Hongfu Sun
• Abstract要約: 本研究は,健常者および出血患者の背景領域を除去するために,新たな深層学習ベース手法であるBFRnetを提案する。 ネットワークはU-netアーキテクチャ上の2周波数オクターブ畳み込みで構築され、重要な感受性源を含む合成フィールドマップで訓練されている。
• 参考スコア（独自算出の注目度）: 12.1082182773543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: Background field removal (BFR) is a critical step required for successful quantitative susceptibility mapping (QSM). However, eliminating the background field in brains containing significant susceptibility sources, such as intracranial hemorrhages, is challenging due to the relatively large scale of the field induced by these pathological susceptibility sources. Method: This study proposes a new deep learning-based method, BFRnet, to remove background field in healthy and hemorrhagic subjects. The network is built with the dual-frequency octave convolutions on the U-net architecture, trained with synthetic field maps containing significant susceptibility sources. The BFRnet method is compared with three conventional BFR methods and one previous deep learning method using simulated and in vivo brains from 4 healthy and 2 hemorrhagic subjects. Robustness against acquisition field-of-view (FOV) orientation and brain masking are also investigated. Results: For both simulation and in vivo experiments, BFRnet led to the best visually appealing results in the local field and QSM results with the minimum contrast loss and the most accurate hemorrhage susceptibility measurements among all five methods. In addition, BFRnet produced the most consistent local field and susceptibility maps between different sizes of brain masks, while conventional methods depend drastically on precise brain extraction and further brain edge erosions. It is also observed that BFRnet performed the best among all BFR methods for acquisition FOVs oblique to the main magnetic field. Conclusion: The proposed BFRnet improved the accuracy of local field reconstruction in the hemorrhagic subjects compared with conventional BFR algorithms. The BFRnet method was effective for acquisitions of titled orientations and retained whole brains without edge erosion as often required by traditional BFR methods.
• Abstract（参考訳）: 導入:背景野除去(BFR)は定量的感受性マッピング(QSM)の成功に必要な重要なステップである。 しかし,脳内出血などの重要な感受性源を含む脳の背景野の除去は,これらの病態感受性源によって引き起こされる磁場の比較的大きなスケールのため困難である。 方法:本研究では,健常者および出血患者の背景領域を除去するために,新たな深層学習に基づくBFRnetを提案する。 ネットワークはU-netアーキテクチャ上の2周波数オクターブ畳み込みで構築され、重要な感受性源を含む合成フィールドマップで訓練されている。 BFRnet法は,4名の健常者および2名の出血患者の脳を模擬・生体内脳を用いて,従来の3種類のBFR法と比較した。 獲得視野(FOV)指向と脳マスクに対するロバスト性についても検討した。 結果: シミュレーションと生体内実験の両方において, BFRnetは局所野において最も視覚的に魅力的な結果となり, QSMは最小コントラスト損失と最も正確な出血感受性の測定値を得た。 さらに、BFRnetは、脳マスクの大きさの異なる最も一貫した局所的および感受性マップを作成し、従来の方法は、正確な脳の抽出とさらなる脳の縁の浸食に大きく依存していた。 また、BFRnetは、主磁場に対して斜めにFOVを取得するために、すべてのBFR法の中で最善を尽くした。 結語:BFRnetは,従来のBFRアルゴリズムと比較して出血症例の局所的局所的再建の精度を向上した。 BFRnet法は、従来のBFR法でしばしば必要とされるように、エッジ侵食を伴わないタイトル指向の獲得に有効であった。

関連論文リスト

• Streamline tractography of the fetal brain in utero with machine learning [7.164734676863147]
  本研究は胎児のトラクトグラフィーにおける最初の機械学習モデルである。 妊娠23週から36週の無作為な11検体で,手作業による全脳胎児体幹画像の訓練を行い,訓練モデルの妥当性を検証した。
  論文  参考訳（メタデータ） (2024-08-26T14:54:14Z)
• Neural Modulation Fields for Conditional Cone Beam Neural Tomography [18.721488634071193]
  コーンビーム・ニューラル・トモグラフィ(CondCBNT)は、ノイズフリーおよびノイズの多いデータに対して、高値および低値のプロジェクションの性能向上を示す。 ニューラル変調場(NMF)を介して入力領域上のフィールドとして局所変調をモデル化する新しい条件付け法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T09:41:01Z)
• Reconstructing the somatotopic organization of the corticospinal tract remains a challenge for modern tractography methods [55.07297021627281]
  CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。 拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
  論文  参考訳（メタデータ） (2023-06-09T02:05:40Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• 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)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
  本稿では,2段階の深層学習(DL)フレームワークを提案する。 第1段階は、脳MRI全体から視床領域を特定して収穫する。 第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
  論文  参考訳（メタデータ） (2020-11-03T23:43:52Z)
• Supervised Multi-topology Network Cross-diffusion for Population-driven Brain Network Atlas Estimation [1.2891210250935146]
  代表的で差別的な脳ネットワークアトラス(BNA)を推定することは、初期の研究分野である。 BNA満足度を推定するための教師付きマルチトポロジーネットワーククロスディフュージョンフレームワークを提案する。 我々のSM-netFusionは、その変種や最先端手法と比較して最も中心的で代表的なテンプレートを生成する。
  論文  参考訳（メタデータ） (2020-09-23T11:17:41Z)
• Local semi-supervised approach to brain tissue classification in child brain MRI [0.0]
  小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。 本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。 本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
  論文  参考訳（メタデータ） (2020-05-20T06:43:41Z)

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。