論文の概要: P2T2: a Physically-primed deep-neural-network approach for robust
$T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI
- arxiv url: http://arxiv.org/abs/2212.04928v2
- Date: Wed, 17 May 2023 20:07:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 20:33:27.260511
- Title: P2T2: a Physically-primed deep-neural-network approach for robust
$T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI
- Title（参考訳）: p2t2:量的$t_{2}$重み付けmriによるロバストな$t_{2}$分布推定のための物理的素数深層神経ネットワークアプローチ
- Authors: Hadas Ben-Atya and Moti Freiman
- Abstract要約: MRIデータからT$の緩和時間分布を推定すると、様々な病態における炎症、脱髄、浮腫、軟骨組成を評価する貴重なバイオマーカーが得られる。
ディープニューラルネットワーク(DNN)に基づく手法は、MRIデータから$T$分布を推定する逆問題に対処するために提案されているが、SNR(Signal-to-Noise ratio)の低い臨床データには十分ではない。
我々は、信号減衰を前方に組み込む、$PT$と呼ばれる物理的に高価なDNNアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Estimating $T_2$ relaxation time distributions from multi-echo $T_2$-weighted
MRI ($T_2W$) data can provide valuable biomarkers for assessing inflammation,
demyelination, edema, and cartilage composition in various pathologies,
including neurodegenerative disorders, osteoarthritis, and tumors. Deep neural
network (DNN) based methods have been proposed to address the complex inverse
problem of estimating $T_2$ distributions from MRI data, but they are not yet
robust enough for clinical data with low Signal-to-Noise ratio (SNR) and are
highly sensitive to distribution shifts such as variations in echo-times (TE)
used during acquisition. Consequently, their application is hindered in
clinical practice and large-scale multi-institutional trials with heterogeneous
acquisition protocols. We propose a physically-primed DNN approach, called
$P_2T_2$, that incorporates the signal decay forward model in addition to the
MRI signal into the DNN architecture to improve the accuracy and robustness of
$T_2$ distribution estimation. We evaluated our $P_2T_2$ model in comparison to
both DNN-based methods and classical methods for $T_2$ distribution estimation
using 1D and 2D numerical simulations along with clinical data. Our model
improved the baseline model's accuracy for low SNR levels ($SNR<80$) which are
common in the clinical setting. Further, our model achieved a $\sim$35\%
improvement in robustness against distribution shifts in the acquisition
process compared to previously proposed DNN models. Finally, Our $P_2T_2$ model
produces the most detailed Myelin-Water fraction maps compared to baseline
approaches when applied to real human MRI data. Our $P_2T_2$ model offers a
reliable and precise means of estimating $T_2$ distributions from MRI data and
shows promise for use in large-scale multi-institutional trials with
heterogeneous acquisition protocols.
- Abstract（参考訳）: マルチエチョ$T_2$-weighted MRI(T_2W$)データからの緩和時間分布を推定すると、神経変性疾患、変形性関節症、腫瘍を含む様々な病態における炎症、脱髄、浮腫、軟骨組成を評価する貴重なバイオマーカーが提供される。
ディープニューラルネットワーク(DNN)に基づく手法は、MRIデータから$T_2$分布を推定する複雑な逆問題に対処するために提案されているが、SNR(Signal-to-Noise ratio)の低い臨床データに対してはまだ十分に堅牢ではなく、取得時に使用するエコー時間(TE)の変動のような分布シフトに非常に敏感である。
その結果, 臨床実践や大規模多施設試験において, 不均質な獲得プロトコルを用いた適用が阻害される。
我々は,DNNアーキテクチャにMRI信号に加えて信号減衰前処理モデルを組み込んで,$T_2$分布推定の精度とロバスト性を向上する,$P_2T_2$という物理価格のDNN手法を提案する。
1次元および2次元の数値シミュレーションと臨床データを用いて,dnn法および古典法との比較により,$p_2t_2$モデルを評価した。
本モデルでは,臨床でよく見られる低snr値(snr<80$)の基準モデルの精度を改善した。
さらに, 提案したDNNモデルと比較して, 獲得過程における分布変化に対するロバスト性は$\sim$35\%向上した。
最後に、我々の$P_2T_2$モデルは、実際のMRIデータに適用した場合のベースラインアプローチと比較して、最も詳細なMyelin-Water分画マップを生成する。
我々の$P_2T_2$モデルはMRIデータからT_2$分布を推定する信頼性と正確な手段を提供し、異種取得プロトコルを用いた大規模多施設試験での使用を約束する。
関連論文リスト
- Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。
対象はT1データセット(T1-w)50例であった。
ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
論文 参考訳（メタデータ） (2024-06-21T21:22:17Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data [0.0]
深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、信頼性の高い臨床的意思決定に不可欠である。
我々は、アンサンプされた「k空間」データからMRI再構成における不確実性評価のための非パラメトリックフレームワーク「NPB-REC」を紹介する。
論文 参考訳（メタデータ） (2022-08-08T08:22:25Z) - Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas
Using Magnetic Resonance Imaging [24.418025043887678]
階層的分類パラダイムに基づく5つのグリオーマサブタイプ予測のためのDCNNモデルを開発した。
受信機動作特性解析から,曲線下領域(AUC)を用いて予測性能を評価した。
以上の結果から,開発したDCNNモデルではグリオーマサブタイプを十分な非平衡トレーニングデータで予測できることが示唆された。
論文 参考訳（メタデータ） (2022-03-10T14:46:20Z) - A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
論文 参考訳（メタデータ） (2022-03-01T17:16:41Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳（メタデータ） (2022-03-01T16:33:15Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳（メタデータ） (2021-07-09T08:14:45Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。