論文の概要: Motion correction in MRI using deep learning and a novel hybrid loss
function
- arxiv url: http://arxiv.org/abs/2210.14156v1
- Date: Wed, 19 Oct 2022 14:40:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 11:52:09.150992
- Title: Motion correction in MRI using deep learning and a novel hybrid loss
function
- Title（参考訳）: ディープラーニングと新しいハイブリッド損失関数を用いたMRIの運動補正
- Authors: Lei Zhang, Xiaoke Wang, Michael Rawson, Radu Balan, Edward H.
Herskovits, Elias Melhem, Linda Chang, Ze Wang, and Thomas Ernst
- Abstract要約: 脳磁気共鳴画像(MRI)における運動アーチファクト抑制のための深層学習法(MC-Net)の開発
MC-Netは、2段階のマルチロス関数と組み合わせたUNetから派生した。
- 参考スコア（独自算出の注目度）: 11.424624100447332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose To develop and evaluate a deep learning-based method (MC-Net) to
suppress motion artifacts in brain magnetic resonance imaging (MRI). Methods
MC-Net was derived from a UNet combined with a two-stage multi-loss function.
T1-weighted axial brain images contaminated with synthetic motions were used to
train the network. Evaluation used simulated T1 and T2-weighted axial, coronal,
and sagittal images unseen during training, as well as T1-weighted images with
motion artifacts from real scans. Performance indices included the peak signal
to noise ratio (PSNR), structural similarity index measure (SSIM), and visual
reading scores. Two clinical readers scored the images. Results The MC-Net
outperformed other methods implemented in terms of PSNR and SSIM on the T1
axial test set. The MC-Net significantly improved the quality of all
T1-weighted images (for all directions and for simulated as well as real motion
artifacts), both on quantitative measures and visual scores. However, the
MC-Net performed poorly on images of untrained contrast (T2-weighted).
Conclusion The proposed two-stage multi-loss MC-Net can effectively suppress
motion artifacts in brain MRI without compromising image context. Given the
efficiency of the MC-Net (single image processing time ~40ms), it can
potentially be used in real clinical settings. To facilitate further research,
the code and trained model are available at
https://github.com/MRIMoCo/DL_Motion_Correction.
- Abstract（参考訳）: 脳磁気共鳴画像(MRI)における運動アーチファクトを抑制するための深層学習ベース手法(MC-Net)の開発と評価を行う。
MC-Netは、2段階のマルチロス関数を組み合わせたUNetから派生した。
合成運動で汚染されたT1強調軸脳画像を用いてネットワークをトレーニングした。
トレーニング中に見えないT1およびT2強調軸、コロナ画像、矢状画像、および実際のスキャンから得られた運動アーティファクトを用いたT1強調画像を用いて評価を行った。
性能指標には、ピーク信号対雑音比(PSNR)、構造類似度指標(SSIM)、視覚読取スコアが含まれていた。
2人の臨床読者が画像を記録しました。
その結果, MC-NetはT1軸受試験セット上でPSNRおよびSSIMで実装した他の手法よりも優れていた。
MC-Netは、すべてのT1重み付き画像(全方向とシミュレートされた実動作アーティファクト)の品質を定量的測定と視覚スコアの両方で改善した。
しかし、MC-Netは、訓練されていないコントラスト(T2重み)の画像では不十分であった。
結論 提案した2段階のマルチロスMC-Netは、画像コンテキストを損なうことなく、脳MRIの運動アーティファクトを効果的に抑制することができる。
MC-Net(単一の画像処理時間から40ms)の効率を考えると、実際の臨床現場で使用することができる。
さらなる研究を容易にするため、コードとトレーニングされたモデルはhttps://github.com/MRIMoCo/DL_Motion_Correctionで公開されている。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - IM-MoCo: Self-supervised MRI Motion Correction using Motion-Guided Implicit Neural Representations [2.2265038612930663]
磁気共鳴イメージング(MRI)における運動アーティファクトは、比較的長い取得時間によって生じる。
従来の動き補正法は、しばしば激しい動きに対処できず、歪んだり信頼性の低い結果をもたらす。
Inlicit Neural Representation (INR) を利用したインスタンスワイド動作補正パイプラインを提案する。
本手法は, 動作不良画像と比較して, 少なくとも1.5ドル以上の精度で分類結果を改善する。
論文 参考訳（メタデータ） (2024-07-03T10:14:33Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - Simulation of acquisition shifts in T2 Flair MR images to stress test AI
segmentation networks [0.0]
この手法はMR信号方程式に基づいてMR画像の「獲得シフト微分」をシミュレートする。
実験は、実際のMRスキャンによるシミュレーション画像の検証と、最先端のMS病変セグメンテーションネットワークにおけるストレステストの例を含む。
論文 参考訳（メタデータ） (2023-11-03T13:10:55Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - High-fidelity Direct Contrast Synthesis from Magnetic Resonance
Fingerprinting [28.702553164811473]
本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。
In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
論文 参考訳（メタデータ） (2022-12-21T07:11:39Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance
Imaging -- Mini Review, Comparison and Perspectives [5.3148259096171175]
MRIの欠点の1つは、他の画像モダリティに比べて比較的遅いスキャンと再構成である。
ディープニューラルネットワーク(DNN)は、比較的高品質な画像を再現するスパースMRI再構成モデルに使われてきた。
画像の知覚品質を向上した高速MRIを実現するために,GAN(Generative Adversarial Networks)に基づく手法を提案する。
論文 参考訳（メタデータ） (2021-05-04T23:59:00Z) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳（メタデータ） (2020-06-24T15:25:11Z) - Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural
Network [18.433956246011466]
本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。
実験の結果,2つの臨床検査データセットの画質が有意に向上した。
論文 参考訳（メタデータ） (2020-06-23T01:55:57Z)
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。