論文の概要: Review of data types and model dimensionality for cardiac DTI
SMS-related artefact removal
- arxiv url: http://arxiv.org/abs/2209.09522v1
- Date: Tue, 20 Sep 2022 07:41:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 19:10:57.525248
- Title: Review of data types and model dimensionality for cardiac DTI
SMS-related artefact removal
- Title（参考訳）: 心臓dti sms関連アーティファクト除去のためのデータタイプとモデル次元の検討
- Authors: Michael Tanzer, Sea Hee Yook, Guang Yang, Daniel Rueckert, Sonia
Nielles-Vallespin
- Abstract要約: 人工物除去訓練モデルの性能に及ぼす複数の入力型(マグニチュード画像と複素画像)、複数次元(2次元と3次元の操作)、複数入力型(単スライスとマルチスライス)の影響を比較した。
最初の直観にもかかわらず、我々の実験は、固定数のパラメータに対して、より単純な2次元実数値モデルの方が、より高度な3Dまたは複雑なモデルよりも優れていることを示した。
- 参考スコア（独自算出の注目度）: 7.497343031315105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As diffusion tensor imaging (DTI) gains popularity in cardiac imaging due to
its unique ability to non-invasively assess the cardiac microstructure, deep
learning-based Artificial Intelligence is becoming a crucial tool in mitigating
some of its drawbacks, such as the long scan times. As it often happens in
fast-paced research environments, a lot of emphasis has been put on showing the
capability of deep learning while often not enough time has been spent
investigating what input and architectural properties would benefit cardiac DTI
acceleration the most. In this work, we compare the effect of several input
types (magnitude images vs complex images), multiple dimensionalities (2D vs 3D
operations), and multiple input types (single slice vs multi-slice) on the
performance of a model trained to remove artefacts caused by a simultaneous
multi-slice (SMS) acquisition. Despite our initial intuition, our experiments
show that, for a fixed number of parameters, simpler 2D real-valued models
outperform their more advanced 3D or complex counterparts. The best performance
is although obtained by a real-valued model trained using both the magnitude
and phase components of the acquired data. We believe this behaviour to be due
to real-valued models making better use of the lower number of parameters, and
to 3D models not being able to exploit the spatial information because of the
low SMS acceleration factor used in our experiments.
- Abstract（参考訳）: 拡散テンソルイメージング(DTI)は、心臓の微細構造を非侵襲的に評価するユニークな能力によって、心臓イメージングにおいて人気が高まり、ディープラーニングベースの人工知能は、長いスキャン時間など、その欠点を緩和する重要なツールになりつつある。
ペースの速い研究環境ではよくあることだが、深層学習の能力を示すことには多くの注意が払われているが、入力とアーキテクチャのプロパティが心のdtiアクセラレーションに最も有益であるかどうかを調べるのに時間がないことが多い。
本研究では,マルチスライス(SMS)の同時取得によるアーティファクトの除去を訓練したモデルの性能に対する,複数の入力型(マグニチュード画像対複素画像),複数次元性(2Dと3Dの操作),複数入力型(シングルスライス対マルチスライス)の影響を比較した。
最初の直観にもかかわらず、我々の実験は、固定数のパラメータに対して、より単純な2次元実数値モデルの方が、より高度な3Dまたは複雑なモデルよりも優れていることを示した。
最良の性能は、取得したデータの大きさと位相の両方を使って訓練された実数値モデルによって得られる。
この挙動は, パラメータの少ない実数値モデルと, 実験で使用したSMSアクセラレーションの低さから空間情報を活用できない3次元モデルに起因していると考えている。
関連論文リスト
- Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。
第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。
第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
論文 参考訳（メタデータ） (2024-04-30T18:39:41Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - Spatiotemporal Modeling Encounters 3D Medical Image Analysis:
Slice-Shift UNet with Multi-View Fusion [0.0]
本稿では,2次元CNNにおける3次元特徴をエンコードする2次元モデルSlice SHift UNetを提案する。
より正確にマルチビュー機能は、ボリュームの3次元平面に沿って2次元の畳み込みを実行することで協調的に学習される。
提案手法の有効性は,多モード腹部多臓器軸 (AMOS) と Cranial Vault (BTCV) データセットを越えたマルチアトラスラベリング (Multi-Atlas Labeling Beyond the Cranial Vault) で検証した。
論文 参考訳（メタデータ） (2023-07-24T14:53:23Z) - Video Pretraining Advances 3D Deep Learning on Chest CT Tasks [63.879848037679224]
大規模自然画像分類データセットの事前学習は、データスカース2D医療タスクのモデル開発に役立っている。
これらの2Dモデルは、3Dコンピュータビジョンベンチマークで3Dモデルに勝っている。
3Dモデルのためのビデオ事前トレーニングにより、より小さなデータセットでより高性能な3D医療タスクを実現することができることを示す。
論文 参考訳（メタデータ） (2023-04-02T14:46:58Z) - Super Images -- A New 2D Perspective on 3D Medical Imaging Analysis [0.0]
トレーニング中に3次元知識を効率的に埋め込んで3次元データを扱うための,シンプルで効果的な2次元手法を提案する。
本手法は3次元画像にスライスを並べて超高分解能画像を生成する。
2次元ネットワークのみを利用した3次元ネットワークを実現する一方で、モデルの複雑さはおよそ3倍に減少する。
論文 参考訳（メタデータ） (2022-05-05T09:59:03Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳（メタデータ） (2022-04-02T03:48:03Z) - Fast mesh denoising with data driven normal filtering using deep
variational autoencoders [6.25118865553438]
本研究では,高密度3次元走査型産業モデルに対する高速で頑健な復調法を提案する。
提案手法は条件付き変分オートエンコーダを用いて顔正規化を効果的にフィルタする。
1e4面以上の3Dモデルでは、提示されたパイプラインは等価な再構成誤差を持つメソッドの2倍高速である。
論文 参考訳（メタデータ） (2021-11-24T20:25:15Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。
主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。
本稿では,D2S(Deep-to-scale)投影法を提案する。
論文 参考訳（メタデータ） (2020-10-27T03:31:35Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - 3D Human Pose Estimation using Spatio-Temporal Networks with Explicit
Occlusion Training [40.933783830017035]
近年の大きな進歩にもかかわらず、モノラルなタスクから3Dのポーズを推定することは依然として難しい課題である。
頑健な3次元ポーズ推定のための時間的ビデオネットワークを提案する。
本研究では,各フレームに2次元関節やキーポイントの予測,および3次元関節やキーポイントを推定するために,多段階の時間的畳み込みネットワーク(TCN)を適用した。
論文 参考訳（メタデータ） (2020-04-07T09:12:12Z)
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。