Fugu-MT 論文翻訳(概要): Orientation recognition and correction of Cardiac MRI with deep neural network

論文の概要: Orientation recognition and correction of Cardiac MRI with deep neural network

arxiv url: http://arxiv.org/abs/2211.11336v1
Date: Mon, 21 Nov 2022 10:37:50 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 22:36:49.097131
Title: Orientation recognition and correction of Cardiac MRI with deep neural network
Title（参考訳）: 深部神経回路を用いた心臓MRIの向き認識と補正
Authors: Jiyao Liu
Abstract要約: 本稿では,心臓MRI画像の向き補正の問題について検討し,深部ニューラルネットワークによる向き認識の枠組みを提案する。マルチモダリティMRIでは,提案したモデルを単一モダリティから多モダリティへ変換するトランスファー学習戦略を導入する。提案するネットワークを2次元DICOMおよび3次元NIFTI画像に配向補正を実装可能な配向補正コマンドラインツールに組み込む。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, the problem of orientation correction in cardiac MRI images is investigated and a framework for orientation recognition via deep neural networks is proposed. For multi-modality MRI, we introduce a transfer learning strategy to transfer our proposed model from single modality to multi-modality. We embed the proposed network into the orientation correction command-line tool, which can implement orientation correction on 2D DICOM and 3D NIFTI images. Our source code, network models and tools are available at https://github.com/Jy-stdio/MSCMR_orient/
Abstract（参考訳）: 本稿では,心臓MRI画像の向き補正の問題について検討し,深部ニューラルネットワークによる向き認識の枠組みを提案する。マルチモダリティMRIでは,提案したモデルを単一モダリティから多モダリティへ変換するトランスファー学習戦略を導入する。提案するネットワークを2次元DICOMおよび3次元NIFTI画像に配向補正を実装可能な配向補正コマンドラインツールに組み込む。私たちのソースコード、ネットワークモデル、ツールはhttps://github.com/Jy-stdio/MSCMR_orient/で利用可能です。

関連論文リスト

SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
Cardiac MRI Orientation Recognition and Standardization using Deep Neural Networks [0.0]
本稿では,深部ニューラルネットワークを用いて心臓MRI画像の向きを分類・標準化する手法を提案する。我々は,bSSFP,T2,LGEを含む様々なモードのCMR画像について包括的実験を行った。検証精度は100.0%,100.0%,99.4%であった。
論文参考訳（メタデータ） (2023-07-31T00:01:49Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Recognition of Cardiac MRI Orientation via Deep Neural Networks and a Method to Improve Prediction Accuracy [0.0]
ほとんどの医療画像処理タスクでは、画像の向きが計算結果に影響を及ぼす。心臓MRIにおける方向認識の問題とディープニューラルネットワークを用いてこの問題を解決する。
論文参考訳（メタデータ） (2022-11-14T03:35:15Z)
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)
GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文参考訳（メタデータ） (2022-07-18T06:01:29Z)
Multipath CNN with alpha matte inference for knee tissue segmentation from MRI [2.064612766965483]
本稿では, 深層学習に基づく膝組織分割のための自動セグメンテーションフレームワークを提案する。低階テンソル再構成セグメンテーションネットワークとデコーダベースのセグメンテーションネットワークを組み合わせた,新しいマルチパスCNN方式を提案する。 CNNからのセグメンテーションをさらに改善するため、重畳された領域を効果的に活用するトリマップ生成を提案する。
論文参考訳（メタデータ） (2021-09-29T07:48:47Z)
Rotation-Equivariant Deep Learning for Diffusion MRI [49.321304988619865]
畳み込みネットワークは成功しているが、最近は回転や翻訳で等価である新しいニューラルネットワークによってパフォーマンスが上がっている。ここでは、6次元拡散MRIデータに一般化し、画像空間における3次元ロト変換と一致する3次元回転を$q$-スペースで保証する。提案するニューラルネットワークは,非回転同変深層学習と比較して,より優れた結果を得るとともに,トレーニングのためのスキャンを少なくする。
論文参考訳（メタデータ） (2021-02-13T15:18:34Z)
Recognition and standardization of cardiac MRI orientation via multi-tasking learning and deep neural networks [16.188681108101196]
心臓MRIにおける画像指向性の問題について検討し、深部ニューラルネットワークによる認識と標準化の方向性を分類する枠組みを提案する。本手法では,心的セグメンテーションと向き認識の両タスクを同時に行うマルチタスク戦略を用いる。我々は,MRIの多重列とモーダル性に対して,単一のモーダルから複数のモーダルへモデルを適用するトランスファー学習戦略を提案する。
論文参考訳（メタデータ） (2020-11-17T16:41:31Z)
Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。