論文の概要: CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative
R2* Mapping
- arxiv url: http://arxiv.org/abs/2210.06330v1
- Date: Wed, 12 Oct 2022 15:49:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 13:43:04.875068
- Title: CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative
R2* Mapping
- Title（参考訳）: CoRRECT: 動き補正量R2*マッピングのための深層展開フレームワーク
- Authors: Xiaojian Xu, Weijie Gan, Satya V.V.N. Kothapalli, Dmitriy A.
Yablonskiy, Ulugbek S. Kamilov
- Abstract要約: CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである
モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。
実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
- 参考スコア（独自算出の注目度）: 12.414040285543273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitative MRI (qMRI) refers to a class of MRI methods for quantifying the
spatial distribution of biological tissue parameters. Traditional qMRI methods
usually deal separately with artifacts arising from accelerated data
acquisition, involuntary physical motion, and magnetic-field inhomogeneities,
leading to suboptimal end-to-end performance. This paper presents CoRRECT, a
unified deep unfolding (DU) framework for qMRI consisting of a model-based
end-to-end neural network, a method for motion-artifact reduction, and a
self-supervised learning scheme. The network is trained to produce R2* maps
whose k-space data matches the real data by also accounting for motion and
field inhomogeneities. When deployed, CoRRECT only uses the k-space data
without any pre-computed parameters for motion or inhomogeneity correction. Our
results on experimentally collected multi-Gradient-Recalled Echo (mGRE) MRI
data show that CoRRECT recovers motion and inhomogeneity artifact-free R2* maps
in highly accelerated acquisition settings. This work opens the door to DU
methods that can integrate physical measurement models, biophysical signal
models, and learned prior models for high-quality qMRI.
- Abstract（参考訳）: 定量的MRI(QMRI)とは、生体組織パラメータの空間分布を定量化するMRI法の一種である。
従来のqMRI法は通常、加速されたデータ取得、不随意運動、磁場の不均一性から生じるアーティファクトを別々に扱う。
本稿では,モデルに基づくエンドツーエンドニューラルネットワークからなるqMRI用統合深部展開(DU)フレームワークであるCoRRECTと,モーション・アーティファクト・リダクション法,自己教師型学習方式を提案する。
ネットワークは、k空間データが実データと一致するr2*マップを生成するように訓練され、動きと場不均一性も考慮される。
デプロイされると、CoRRECTは動きや不均一性補正のための事前計算されたパラメータなしでk空間のデータのみを使用する。
実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なR2*マップを復元することを示した。
この研究は、物理測定モデル、生体物理信号モデルを統合し、高品質なqMRIの事前モデルを学習できるDU法への扉を開く。
関連論文リスト
- A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。
この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
論文 参考訳（メタデータ） (2025-01-08T19:18:44Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - Domain-Agnostic Stroke Lesion Segmentation Using Physics-Constrained Synthetic Data [0.15749416770494706]
合成定量的MRI(qMRI)画像を用いた2つの新しい手法を提案し,セグメンテーションモデルの堅牢性と一般化性を高める。
我々は,MPRAGE画像からqMRIマップを推定するために,qMRI推定モデルを訓練した。
2つ目のアプローチは、脳卒中病変のセグメンテーションのための合成データにおいて、組織ラベルのデータセットからqMRIマップを生成する。
論文 参考訳（メタデータ） (2024-12-04T13:52:05Z) - MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。
独立画素の仮定を破る自己教師型深部変分法を提案する。
そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
論文 参考訳（メタデータ） (2024-11-16T11:11:36Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI
with a Self-Calibrating Score-Based Diffusion Model [3.3053426917821134]
アンダーサンプルMRI再構成のための動きパラメータとコイル感度マップを共同で推定する。
本手法は, 動きの影響を受けない, 疎サンプリングされたk空間データから, 高品質MRI画像の再構成を行うことができる。
論文 参考訳（メタデータ） (2023-10-14T17:11:25Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z)
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。