論文の概要: HACA3: A Unified Approach for Multi-site MR Image Harmonization
- arxiv url: http://arxiv.org/abs/2212.06065v1
- Date: Mon, 12 Dec 2022 17:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 18:08:59.675893
- Title: HACA3: A Unified Approach for Multi-site MR Image Harmonization
- Title（参考訳）: HACA3:マルチサイトMR画像調和のための統一的アプローチ
- Authors: Lianrui Zuo, Yihao Liu, Yuan Xue, Blake E. Dewey, Murat Bilgel, Ellen
M. Mowry, Scott D. Newsome, Peter A. Calabresi, Susan M. Resnick, Jerry L.
Prince, Aaron Carass
- Abstract要約: 本稿では,MRコントラスト間の解剖学的差異を尊重する解剖学的融合モジュールを提案する。
HACA3は、複数の画像品質指標の下で最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 11.887997660368432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The lack of standardization is a prominent issue in magnetic resonance (MR)
imaging. This often causes undesired contrast variations due to differences in
hardware and acquisition parameters. In recent years, MR harmonization using
image synthesis with disentanglement has been proposed to compensate for the
undesired contrast variations. Despite the success of existing methods, we
argue that three major improvements can be made. First, most existing methods
are built upon the assumption that multi-contrast MR images of the same subject
share the same anatomy. This assumption is questionable since different MR
contrasts are specialized to highlight different anatomical features. Second,
these methods often require a fixed set of MR contrasts for training (e.g.,
both Tw-weighted and T2-weighted images must be available), which limits their
applicability. Third, existing methods generally are sensitive to imaging
artifacts. In this paper, we present a novel approach, Harmonization with
Attention-based Contrast, Anatomy, and Artifact Awareness (HACA3), to address
these three issues. We first propose an anatomy fusion module that enables
HACA3 to respect the anatomical differences between MR contrasts. HACA3 is also
robust to imaging artifacts and can be trained and applied to any set of MR
contrasts. Experiments show that HACA3 achieves state-of-the-art performance
under multiple image quality metrics. We also demonstrate the applicability of
HACA3 on downstream tasks with diverse MR datasets acquired from 21 sites with
different field strengths, scanner platforms, and acquisition protocols.
- Abstract（参考訳）: 標準化の欠如は磁気共鳴(MR)イメージングにおいて顕著な問題である。
これはしばしば、ハードウェアと取得パラメータの違いによる望ましくないコントラスト変動を引き起こす。
近年,非所望のコントラスト変動を補うために,画像合成によるMRハーモニゼーションが提案されている。
既存の方法の成功にもかかわらず、私たちは3つの大きな改善ができると主張している。
第一に、既存のほとんどの手法は、同一対象のマルチコントラストMR画像が同じ解剖学を共有するという仮定に基づいて構築されている。
異なるmrコントラストは異なる解剖学的特徴を強調するために特別であるため、この仮定は疑わしい。
第二に、これらの方法はトレーニングのために固定されたMRコントラスト(例えば、Tw強調画像とT2強調画像の両方が利用可能でなければならない)を必要とすることが多い。
第3に、既存の手法は一般的にイメージングアーティファクトに敏感である。
本稿では,これらの3つの問題に対処するために,注意に基づくコントラスト,解剖,アーティファクト意識(HACA3)を用いた調和方式を提案する。
まず,haca3をmrコントラスト間の解剖学的差異を尊重する解剖学的融合モジュールを提案する。
HACA3はまた、イメージングアーティファクトにも堅牢であり、MRコントラストの任意のセットにトレーニングおよび適用することができる。
実験により、HACA3は複数の画像品質指標の下で最先端のパフォーマンスを達成することが示された。
また,フィールド強度の異なる21のサイト,スキャナプラットフォーム,取得プロトコルから取得したMRデータセットを用いて,下流タスクにおけるHACA3の適用性を示す。
関連論文リスト
- DuDoUniNeXt: Dual-domain unified hybrid model for single and
multi-contrast undersampled MRI reconstruction [24.937435059755288]
そこで我々はDuDoUniNeXtを提案する。DuDoUniNeXtは、不在、低品質、高品質な参照画像を含むシナリオに対応可能な、統合されたデュアルドメインMRI再構成ネットワークである。
実験により,提案モデルが最先端のSCモデルとMCモデルを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2024-03-08T12:26:48Z) - 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) - Uncertainty Estimation in Contrast-Enhanced MR Image Translation with
Multi-Axis Fusion [6.727287631338148]
我々は,新しいモデル不確実性定量化手法であるマルチ軸核融合(MAF)を提案する。
提案手法は,T1,T2,T2-FLAIRスキャンに基づくコントラスト強調T1強調画像の合成に応用される。
論文 参考訳（メタデータ） (2023-11-20T20:09:48Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Single-subject Multi-contrast MRI Super-resolution via Implicit Neural
Representations [9.683341998041634]
Inlicit Neural Representations (INR) は連続空間関数における相補的視点の2つの異なるコントラストを学習することを提案した。
我々のモデルは、3つのデータセットを用いた実験において、異なるコントラストのペア間で現実的な超解像を提供する。
論文 参考訳（メタデータ） (2023-03-27T10:18:42Z) - Diffusion Models for Contrast Harmonization of Magnetic Resonance Images [0.6965384453064828]
本研究ではコントラスト調和のための拡散モデルに基づくアプローチを提案する。
多発性硬化症患者18名と健常者22名からなるデータセットを用いて検討した。
解剖学的情報ではなくコントラストだけを変更したいので,本手法では,原画像を用いて画像から画像への変換プロセスを導出する。
論文 参考訳（メタデータ） (2023-03-14T19:24:23Z) - 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) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込み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） (2022-09-13T07:10:14Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - MR-Contrast-Aware Image-to-Image Translations with Generative
Adversarial Networks [5.3580471186206005]
MR取得パラメータの反復時間とエコー時間に基づいて,画像から画像へ生成する敵ネットワークを訓練する。
提案手法はピーク信号対雑音比と24.48と0.66の構造的類似性を示し,ピクセルベンチマークモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2021-04-03T17:05:13Z)
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。