Fugu-MT 論文翻訳(概要): Learning Apparent Diffusion Coefficient Maps from Accelerated Radial k-Space Diffusion-Weighted MRI in Mice using a Deep CNN-Transformer Model

論文の概要: Learning Apparent Diffusion Coefficient Maps from Accelerated Radial k-Space Diffusion-Weighted MRI in Mice using a Deep CNN-Transformer Model

arxiv url: http://arxiv.org/abs/2207.02399v2
Date: Tue, 1 Aug 2023 19:28:32 GMT
ステータス: 処理完了
システム内更新日: 2023-08-03 18:22:11.152135
Title: Learning Apparent Diffusion Coefficient Maps from Accelerated Radial k-Space Diffusion-Weighted MRI in Mice using a Deep CNN-Transformer Model
Title（参考訳）: deep cnn-transformerモデルを用いたマウスのラジアルk空間拡散強調mriによる視拡散係数マップの学習
Authors: Yuemeng Li, Miguel Romanello Joaquim, Stephen Pickup, Hee Kwon Song, Rong Zhou, Yong Fan
Abstract要約: 高速DWIデータから高品質な見かけ拡散係数(ADC)マップを生成する深層学習法を開発した。 147マウスのDWIデータをトレーニングし,36マウスのDWIデータと比較した。
参考スコア（独自算出の注目度）: 2.2070469642948587
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Purpose: To accelerate radially sampled diffusion weighted spin-echo (Rad-DW-SE) acquisition method for generating high quality apparent diffusion coefficient (ADC) maps. Methods: A deep learning method was developed to generate accurate ADC maps from accelerated DWI data acquired with the Rad-DW-SE method. The deep learning method integrates convolutional neural networks (CNNs) with vision transformers to generate high quality ADC maps from accelerated DWI data, regularized by a monoexponential ADC model fitting term. A model was trained on DWI data of 147 mice and evaluated on DWI data of 36 mice, with acceleration factors of 4x and 8x compared to the original acquisition parameters. We have made our code publicly available at GitHub: https://github.com/ymli39/DeepADC-Net-Learning-Apparent-Diffusion-Coefficient-Maps, and our dataset can be downloaded at https://pennpancreaticcancerimagingresource.github.io/data.html. Results: Ablation studies and experimental results have demonstrated that the proposed deep learning model generates higher quality ADC maps from accelerated DWI data than alternative deep learning methods under comparison when their performance is quantified in whole images as well as in regions of interest, including tumors, kidneys, and muscles. Conclusions: The deep learning method with integrated CNNs and transformers provides an effective means to accurately compute ADC maps from accelerated DWI data acquired with the Rad-DW-SE method.
Abstract（参考訳）: 目的: 高品質な見かけ拡散係数(ADC)マップを生成するために, 放射サンプリング拡散強調スピンエコー(Rad-DW-SE)取得法を高速化すること。方法: Rad-DW-SE法により得られた加速DWIデータから, 正確なADCマップを生成するための深層学習法を開発した。深層学習法は、畳み込みニューラルネットワーク(CNN)を視覚変換器と統合し、単例のADCモデル適合項で正規化された加速DWIデータから高品質のADCマップを生成する。モデルは147マウスのDWIデータに基づいて訓練され,36マウスのDWIデータに対して,元の獲得パラメータと比較して4倍,8倍の加速係数で評価された。私たちはGitHubでコードを公開しました。 https://github.com/ymli39/DeepADC-Net-Learning-Apparent-Diffusion-Coefficient-Maps。結果: アブレーション実験と実験の結果から, 画像全体および腫瘍, 腎臓, 筋肉などの興味のある領域において, 従来のdwiデータと比較して, より高品質なadcマップが得られた。結論:CNNとトランスフォーマーを統合したディープラーニング手法は,Rad-DW-SE法で取得した加速DWIデータからADCマップを正確に計算する有効な手段を提供する。

関連論文リスト

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)
DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
論文参考訳（メタデータ） (2023-09-07T17:55:01Z)
Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文参考訳（メタデータ） (2023-05-30T08:24:01Z)
Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文参考訳（メタデータ） (2023-03-16T17:52:45Z)
Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
論文参考訳（メタデータ） (2022-07-07T17:14:10Z)
FedDKD: Federated Learning with Decentralized Knowledge Distillation [3.9084449541022055]
分散知識蒸留法(FedDKD)を応用した新しいフェデレートラーニングフレームワークを提案する。我々は、FedDKDが、いくつかのDKDステップにおいて、より効率的なコミュニケーションと訓練により最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-05-02T07:54:07Z)
Estimating Traffic Speeds using Probe Data: A Deep Neural Network Approach [1.5469452301122177]
本稿では,sparseデータに基づく高速道路の時空トラヒック速度を再現する,専用ディープニューラルネットワークアーキテクチャを提案する。 2ヶ月の間にドイツ高速道路A9で収集された大規模な浮動小数点データ(FCD)を利用する。以上の結果から,DNNは学習パターンを適用でき,静止渋滞だけでなく移動パターンを高精度に再構築できることがわかった。
論文参考訳（メタデータ） (2021-04-19T23:32:12Z)
AxonNet: A self-supervised Deep Neural Network for Intravoxel Structure Estimation from DW-MRI [0.12183405753834559]
ニューラルネットワーク(DNN)が拡散強調信号から情報を抽出し,脳幹を再構築する可能性を示唆する。 2つのDNNモデルを提示する:1つはボキセルの形で軸索構造を推定し、もう1つは中央ボキセルの構造を計算する。
論文参考訳（メタデータ） (2021-03-19T20:11:03Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文参考訳（メタデータ） (2020-08-12T16:06:25Z)
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。