論文の概要: Acceleration of cerebral blood flow and arterial transit time maps
estimation from multiple post-labeling delay arterial spin-labeled MRI via
deep learning
- arxiv url: http://arxiv.org/abs/2206.06372v1
- Date: Mon, 13 Jun 2022 14:51:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 11:04:07.359638
- Title: Acceleration of cerebral blood flow and arterial transit time maps
estimation from multiple post-labeling delay arterial spin-labeled MRI via
deep learning
- Title（参考訳）: 深達度学習による複数標識遅延動脈スピンラベルMRIによる脳血流の促進と動脈輸送時間マップの推定
- Authors: Yiran Li and Ze Wang
- Abstract要約: 動脈スピンラベリング(ASL)灌流像は,脳血流の直接的および絶対的測定を示している。
複数ラベル後遅延(PLD)はCBFとATTの双方の堅牢な測定手段を提供することができる。
信号対雑音比(SNR)の高いPLDを著しく削減する新しいネットワークを提案する。
- 参考スコア（独自算出の注目度）: 15.413458684047605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Arterial spin labeling (ASL) perfusion imaging indicates direct and
absolute measurement of cerebral blood flow (CBF). Arterial transit time (ATT)
is a related physiological parameter reflecting the duration for the labeled
spins to reach the brain region of interest. Multiple post-labeling delay
(PLDs) can provide robust measures of both CBF and ATT, allowing for
optimization of regional CBF modeling based on ATT. The prolonged acquisition
time can potentially reduce the quality and accuracy of the CBF and ATT
estimation. We proposed a novel network to significantly reduce the number of
PLDs with higher signal-to-noise ratio (SNR). Method: CBF and ATT estimations
were performed for one PLD and two PLDs sepa-rately. Each model was trained
independently to learn the nonlinear transformation from perfusion weighted
image (PWI) to CBF and ATT images. Results: Both one-PLD and two-PLD models
outperformed the conventional method visually on CBF and two-PLD model showed
more accurate structure on ATT estima-tion. The proposed method significantly
reduces the number of PLDs from 6 to 2 on ATT and even to single PLD on CBF
without sacrificing the SNR. Conclusion: It is feasible to generate CBF and ATT
maps with reduced PLDs using deep learning with high quality.
- Abstract（参考訳）: 目的: 動脈スピンラベリング (ASL) 灌流像は, 脳血流の直接的および絶対的測定を示している。
動脈輸送時間(英: Arterial transit time、ATT)は、脳の領域に到達するためのラベル付きスピンの持続期間を反映する生理学的パラメータである。
複数ラベル後遅延(PLD)は、CBFとATTの双方に対して堅牢な尺度を提供し、ATTに基づく地域CBFモデリングの最適化を可能にする。
長期取得時間はCBFとATT推定の品質と精度を低下させる可能性がある。
信号対雑音比(SNR)の高いPLDの数を著しく削減する新しいネットワークを提案する。
方法: CBF法とATT法では, PLDが1例, PLDが2例であった。
各モデルは、灌流重み付き画像(PWI)からCBFおよびATT画像への非線形変換を独立に学習した。
結果: 1-PLDモデルと2-PLDモデルでは, CBFモデルと2-PLDモデルでは, ATT estima-tionではより正確な構造を示した。
提案手法は,STNを犠牲にすることなく,ATTでは6から2に,CBFでは1つのPDDに減少させる。
結論: 高品質のディープラーニングを用いたpld削減によるcbfおよびattマップの生成は可能である。
関連論文リスト
- Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。
治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。
本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
論文 参考訳（メタデータ） (2024-09-19T07:56:06Z) - Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳（メタデータ） (2024-09-11T11:12:26Z) - Prior Frequency Guided Diffusion Model for Limited Angle (LA)-CBCT Reconstruction [2.960150120524893]
コーンビームCT(CBCT)は画像誘導放射線療法に広く用いられている。
LA-CBCT再建は、深刻なアンダーサンプリングアーティファクトに悩まされ、非常に不良な逆問題となる。
LA-CBCT再構成のための拡散モデルに基づく事前周波数誘導拡散モデル(PFGDM)を開発した。
論文 参考訳（メタデータ） (2024-04-01T19:41:33Z) - WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。
WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
論文 参考訳（メタデータ） (2024-03-18T11:20:11Z) - Quantitative perfusion maps using a novelty spatiotemporal convolutional
neural network [13.188103532542797]
本研究では,空間的・時間的情報を考慮した拡散パラメータ推定ネットワークを提案する。
その結果,脳血流量 (CBV), 脳血流量 (CBF), 残存機能 (Tmax) などの灌流パラメータを正確に推定できることが示唆された。
提案したモデルは、商用のゴールドスタンダードソフトウェアの性能に近づき、時間効率も維持する。
論文 参考訳（メタデータ） (2023-12-08T09:22:25Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳（メタデータ） (2023-08-20T04:10:36Z) - Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$
Speedup [8.768546646716771]
本研究では,条件付き拡散確率モデル (DDPM) を導入し,高い計算効率で良好な結果を示す。
DDPMは画像品質を損なうことなく20倍のスピードアップを達成できることを示す実験結果を得た。
論文 参考訳（メタデータ） (2022-09-29T23:35:41Z) - Trainable Joint Bilateral Filters for Enhanced Prediction Stability in
Low-dose CT [7.879949714759592]
低線量CT (low-dose Computed Tomography) denoising algorithm) は, 日常的なCT取得において, 患者線量を減らすことを目的としている。
深層学習(DL)に基づく手法が導入された。
本稿では, 畳み込み型DLベースデノナイジングネットワークと組み合わせた, トレーニング可能な連立フィルタ(JBF)の組み合わせによるハイブリッドデノナイジング手法を提案する。
論文 参考訳（メタデータ） (2022-07-15T09:30:32Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳（メタデータ） (2020-10-30T00:47:01Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-03-18T19:06:27Z) - 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。