論文の概要: AFFIRM: Affinity Fusion-based Framework for Iteratively Random Motion
correction of multi-slice fetal brain MRI
- arxiv url: http://arxiv.org/abs/2205.05851v1
- Date: Thu, 12 May 2022 02:54:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:24:17.510779
- Title: AFFIRM: Affinity Fusion-based Framework for Iteratively Random Motion
correction of multi-slice fetal brain MRI
- Title(参考訳): アサーブ:アフィニティ融合を用いたマルチスライス胎児脳mriの反復的無作為運動補正フレームワーク
- Authors: Wen Shi, Haoan Xu, Cong Sun, Jiwei Sun, Yamin Li, Xinyi Xu, Tianshu
Zheng, Yi Zhang, Guangbin Wang and Dan Wu
- Abstract要約: Affinity Fusion-based Framework for Iteratively Random Motion correct of the multi-slice fetal brain MRI。
複数のスライスからシーケンシャルな動きを学習し、親和性融合を用いて2次元スライスと再構成された3次元ボリュームの特徴を統合する。
この方法は、脳の向きに関係なく正確に動きを推定し、シミュレートされた動き破壊データに対して、他の最先端の学習法より優れる。
- 参考スコア(独自算出の注目度): 8.087220876070477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-slice magnetic resonance images of the fetal brain are usually
contaminated by severe and arbitrary fetal and maternal motion. Hence, stable
and robust motion correction is necessary to reconstruct high-resolution 3D
fetal brain volume for clinical diagnosis and quantitative analysis. However,
the conventional registration-based correction has a limited capture range and
is insufficient for detecting relatively large motions. Here, we present a
novel Affinity Fusion-based Framework for Iteratively Random Motion (AFFIRM)
correction of the multi-slice fetal brain MRI. It learns the sequential motion
from multiple stacks of slices and integrates the features between 2D slices
and reconstructed 3D volume using affinity fusion, which resembles the
iterations between slice-to-volume registration and volumetric reconstruction
in the regular pipeline. The method accurately estimates the motion regardless
of brain orientations and outperforms other state-of-the-art learning-based
methods on the simulated motion-corrupted data, with a 48.4% reduction of mean
absolute error for rotation and 61.3% for displacement. We then incorporated
AFFIRM into the multi-resolution slice-to-volume registration and tested it on
the real-world fetal MRI scans at different gestation stages. The results
indicated that adding AFFIRM to the conventional pipeline improved the success
rate of fetal brain super-resolution reconstruction from 77.2% to 91.9%.
- Abstract(参考訳): 胎児脳のマルチスライス磁気共鳴画像は通常、重篤で任意の胎児と母体の動きによって汚染される。
したがって, 安定かつロバストな動作補正は, 臨床診断および定量的解析のために, 高分解能3次元胎児脳体積を再構成するために必要である。
しかし、従来の登録ベース補正は捕捉範囲が限られており、比較的大きな動きを検出するには不十分である。
そこで本研究では,マルチスライス胎児脳MRIの反復ランダム運動(AFFIRM)補正のためのAffinity Fusionベースのフレームワークを提案する。
複数のスライスのスタックからシーケンシャルな動きを学び、2dスライスと再構築された3dボリュームの間の特徴をアフィニティ融合を用いて統合する。
この方法は、脳の向きに関係なく正確な動きを推定し、シミュレーションされた動き分解データによる他の最先端学習法よりも優れており、回転の平均絶対誤差が48.4%減少し、変位が61.3%減少している。
次に,AFFIRMをマルチレゾリューションスライス・ツー・ボリューム登録に組み込み,異なる妊娠段階の胎児MRIで検査した。
その結果、AFFIRMを従来のパイプラインに加えることで、胎児脳の超解像再構成の成功率が77.2%から91.9%に向上した。
関連論文リスト
- Neglectable effect of brain MRI data prepreprocessing for tumor
segmentation [55.51261784032216]
我々は,TCIA-GBMオープンソースデータセットを用いたマルチモーダルMRI脳がん画像セグメント化に関する総合的研究を報告する。
その結果、最も一般的な標準化手順は、ニューラルネットワークの性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - 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) - Motion Correction and Volumetric Reconstruction for Fetal Functional
Magnetic Resonance Imaging Data [3.690756997172894]
運動補正は胎児脳の機能的磁気共鳴イメージング(fMRI)において重要な前処理ステップである。
胎児のfMRIに対する現在の動作補正手法は、特定の取得時点から1つの3Dボリュームを選択する。
本稿では,外乱運動補正を用いて高解像度の基準体積を推定する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T19:11:16Z) - 4D iterative reconstruction of brain fMRI in the moving fetus [1.8492120771993543]
本手法の精度を実地臨床用fMRI胎児群で定量的に評価した。
その結果,従来の3D手法と比較して再現性の向上が見られた。
論文 参考訳(メタデータ) (2021-11-22T18:12:21Z) - Rapid head-pose detection for automated slice prescription of
fetal-brain MRI [2.0526610003396657]
胎児脳MRIでは, 処方と接収の主目的の変化は, 標準的な矢状, 冠状, 軸方向の視線を得る上での課題である。
そこで本研究では,EPI(Full-uterus Scout scan)を用いた頭部位置検出アルゴリズムを提案する。
この方法の成功率は3学期で94%を超え、訓練された技術者を最大20%上回った。
論文 参考訳(メタデータ) (2021-10-08T13:59:05Z) - 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) - FaBiAN: A Fetal Brain magnetic resonance Acquisition Numerical phantom [0.0]
オープンソースの胎児磁気共鳴取得ファントムであるFaBiANについて紹介する。
得られた画像は臨床データセットを補完し,胎児脳組織セグメンテーションのためのデータ集約型深層学習法をサポートすることを示す。
論文 参考訳(メタデータ) (2021-09-06T22:37:55Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳(メタデータ) (2021-04-04T20:30:14Z) - 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) - Rigid and non-rigid motion compensation in weight-bearing cone-beam CT
of the knee using (noisy) inertial measurements [4.4889330164039025]
不随意の主題運動は膝の重量に耐えるコーン ビームCTの人工物の主要な源です。
動作推定には慣性計測装置(IMU)を脚に装着することを提案する。
IMUに基づく3つの補正手法,すなわち剛性運動補正,非剛性2次元投影変形,非剛性3次元動的再構成を評価した。
論文 参考訳(メタデータ) (2021-02-24T17:19:32Z) - 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)
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。