論文の概要: Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging

• arxiv url: http://arxiv.org/abs/2301.01732v6
• Date: Wed, 14 Aug 2024 11:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 18:56:36.677124
• Title: Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging
• Title（参考訳）: 磁気共鳴画像における教師なし運動アーチファクト低減のための明示的異常抽出
• Authors: Yusheng Zhou, Hao Li, Jianan Liu, Zhengmin Kong, Tao Huang, Euijoon Ahn, Zhihan Lv, Jinman Kim, David Dagan Feng,
• Abstract要約: 運動アーティファクトはMRI(MRI)の品質を損なう モーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場した これらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。 この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
• 参考スコア（独自算出の注目度）: 41.587861167935785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion artifacts compromise the quality of magnetic resonance imaging (MRI) and pose challenges to achieving diagnostic outcomes and image-guided therapies. In recent years, supervised deep learning approaches have emerged as successful solutions for motion artifact reduction (MAR). One disadvantage of these methods is their dependency on acquiring paired sets of motion artifact-corrupted (MA-corrupted) and motion artifact-free (MA-free) MR images for training purposes. Obtaining such image pairs is difficult and therefore limits the application of supervised training. In this paper, we propose a novel UNsupervised Abnormality Extraction Network (UNAEN) to alleviate this problem. Our network is capable of working with unpaired MA-corrupted and MA-free images. It converts the MA-corrupted images to MA-reduced images by extracting abnormalities from the MA-corrupted images using a proposed artifact extractor, which intercepts the residual artifact maps from the MA-corrupted MR images explicitly, and a reconstructor to restore the original input from the MA-reduced images. The performance of UNAEN was assessed by experimenting with various publicly available MRI datasets and comparing them with state-of-the-art methods. The quantitative evaluation demonstrates the superiority of UNAEN over alternative MAR methods and visually exhibits fewer residual artifacts. Our results substantiate the potential of UNAEN as a promising solution applicable in real-world clinical environments, with the capability to enhance diagnostic accuracy and facilitate image-guided therapies. Our codes are publicly available at https://github.com/YuSheng-Zhou/UNAEN.
• Abstract（参考訳）: 運動アーティファクトはMRI(MRI)の品質を妥協し、診断結果と画像誘導療法の達成に挑戦する。 近年,モーションアーティファクトリダクション(MAR)のソリューションとして,教師付きディープラーニングアプローチが登場している。 これらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。 このようなイメージペアの取得は難しいため、教師付きトレーニングの適用が制限される。 本稿では,この問題を緩和するためのunsupervised Abnormality extract Network (UNAEN)を提案する。 我々のネットワークは、未ペアMA故障画像やMAフリー画像を扱うことができる。 提案したアーティファクト抽出器を用いて、MA補正された画像から異常を抽出し、MA補正された画像から残留アーティファクトマップを明示的にインターセプトし、MA補正された画像から元の入力を復元する再構成器を用いて、MA補正された画像からMA補正された画像に変換する。 UNAENの性能は、様々な公開MRIデータセットを実験し、最先端の手法と比較することによって評価された。 定量的評価は、代替のMAR法よりもUNAENの方が優れていることを示し、視覚的に残存する遺物が少ないことを示している。 本研究は, 診断精度の向上と画像誘導療法の促進を図り, 現実の臨床環境に適用可能な有望なソリューションとして, UNAENの可能性を裏付けるものである。 私たちのコードはhttps://github.com/YuSheng-Zhou/UNAEN.comで公開されています。

関連論文リスト

• 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)
• Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction [3.2088888904556123]
  合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。 提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
  論文  参考訳（メタデータ） (2023-10-31T16:39:56Z)
• 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)
• Realistic Restorer: artifact-free flow restorer(AF2R) for MRI motion artifact removal [3.8103327351507255]
  運動アーティファクトは画像品質を著しく劣化させ、検査効率を低下させ、正確な診断を困難にする。 それまでの手法は、アーティファクト修正のための暗黙のモデルに頼っていたため、アーティファクト形成機構をモデル化する際のバイアスが生じた。 画像領域のアーティファクトと解剖学的内容の関係を再構築するために、アーティファクト生成機構を組み込んだ。
  論文  参考訳（メタデータ） (2023-06-19T04:02:01Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Simultaneous super-resolution and motion artifact removal in diffusion-weighted MRI using unsupervised deep learning [23.33029012277273]
  解像度を高め,同時にモーションアーティファクトを除去できる,完全教師なしの品質向上方式を提案する。 提案手法は, 教師なし学習を用いたmriの文脈において, 超解像と運動アーティファクトの補正を同時に行う最初の方法である。
  論文  参考訳（メタデータ） (2021-05-01T13:13:53Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework [1.1374919153601266]
  金属アーチファクト低減(MAR)技術は、臨床画像から金属誘起ノイズを取り除くことを目的としている。 MRIでは、感受性アーチファクトを修正する方法がまだ導入されていない。 マルチモーダルMARのための教師なしディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T14:12:00Z)

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。