論文の概要: Artificial Intelligence-Based Image Reconstruction in Cardiac Magnetic
Resonance
- arxiv url: http://arxiv.org/abs/2209.10298v1
- Date: Wed, 21 Sep 2022 12:13:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 17:00:39.764631
- Title: Artificial Intelligence-Based Image Reconstruction in Cardiac Magnetic
Resonance
- Title(参考訳): 心臓磁気共鳴における人工知能による画像再構成
- Authors: Chen Qin and Daniel Rueckert
- Abstract要約: 近年,医用画像再構成のためのAIと機械学習アルゴリズム,特にDeep Learning(DL)ベースの手法の利用が著しい成長を遂げている。
DLベースの画像再構成は、心画像の取得と再構成の方法を変えるための有望な機会を提供する。
本章では, 心磁気共鳴(CMR)画像再構成を中心に, DLを用いた心臓画像再構成技術の最近の進歩を概観する。
- 参考スコア(独自算出の注目度): 10.60359890890818
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) and Machine Learning (ML) have shown great
potential in improving the medical imaging workflow, from image acquisition and
reconstruction to disease diagnosis and treatment. Particularly, in recent
years, there has been a significant growth in the use of AI and ML algorithms,
especially Deep Learning (DL) based methods, for medical image reconstruction.
DL techniques have shown to be competitive and often superior over conventional
reconstruction methods in terms of both reconstruction quality and
computational efficiency. The use of DL-based image reconstruction also
provides promising opportunities to transform the way cardiac images are
acquired and reconstructed. In this chapter, we will review recent advances in
DL-based reconstruction techniques for cardiac imaging, with emphasis on
cardiac magnetic resonance (CMR) image reconstruction. We mainly focus on
supervised DL methods for the application, including image post-processing
techniques, model-driven approaches and k-space based methods. Current
limitations, challenges and future opportunities of DL for cardiac image
reconstruction are also discussed.
- Abstract(参考訳): 人工知能(AI)と機械学習(ML)は、画像取得や再構成から病気の診断、治療に至るまで、医療画像ワークフローを改善する大きな可能性を示している。
特に近年,医療画像再構成のためのAIとMLアルゴリズム,特にDeep Learning(DL)ベースの手法の利用が著しく増加している。
DL技術は, 従来の復元手法に比べて, 再現品質と計算効率の両面で競争力があり, 優れていることが示されている。
DLベースの画像再構成は、心画像の取得と再構成の方法を変える有望な機会を提供する。
本章では, 心磁気共鳴(CMR)画像再構成を中心に, DLを用いた心臓画像再構成技術の最近の進歩を概観する。
我々は、主に、画像処理技術、モデル駆動アプローチ、k空間に基づく手法を含む、アプリケーションのdlメソッドを監督することに焦点を当てる。
心画像再建におけるDLの限界,課題,今後の可能性についても論じる。
関連論文リスト
- Deep Learning for Accelerated and Robust MRI Reconstruction: a Review [28.663292249133864]
磁気共鳴イメージング(MRI)の重要技術として深層学習(DL)が登場した
本稿では,MRI再建のためのDLの最近の進歩について概説する。
論文 参考訳(メタデータ) (2024-04-24T07:02:03Z) - Multi-Branch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction [42.95604565673447]
本稿では,マルチブランチ生成モデルを用いた医用画像の相乗的再構築のための新しい手法を提案する。
我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の2つのデータセットに対するアプローチの有効性を実証した。
論文 参考訳(メタデータ) (2024-04-12T18:21:08Z) - Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and
Unsupervised Learning [13.17680480211064]
X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。
提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。
限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
論文 参考訳(メタデータ) (2023-11-19T20:23:59Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - 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) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - AI-Enabled Ultra-Low-Dose CT Reconstruction [8.135337706680097]
本稿では,X線撮影と同等の低線量で画像品質を診断できるAIを用いたCT再構成法を提案する。
臨床データセットの再構成結果から,36個のプロジェクションからのSUGARを用いて優れた画像の再構成が可能であることが示された。
論文 参考訳(メタデータ) (2021-06-17T22:13:11Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳(メタデータ) (2020-03-09T13:39:12Z)
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。