論文の概要: Physics-informed self-supervised deep learning reconstruction for accelerated first-pass perfusion cardiac MRI

• arxiv url: http://arxiv.org/abs/2301.02033v1
• Date: Thu, 5 Jan 2023 12:11:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 14:52:41.764158
• Title: Physics-informed self-supervised deep learning reconstruction for accelerated first-pass perfusion cardiac MRI
• Title（参考訳）: 高速1パス灌流心筋MRIにおける物理インフォームド自己教師型深層学習再建法
• Authors: Elena Mart\'in-Gonz\'alez, Ebraham Alskaf, Amedeo Chiribiri, Pablo Casaseca-de-la-Higuera, Carlos Alberola-L\'opez, Rita G Nunes and Teresa M Correia
• Abstract要約: 本稿では,FPP-CMRスキャンの高速化のための物理インフォームド自己教師型深層学習FPP-CMR再構成手法を提案する。 提案手法は,フルサンプリング参照データを用いることなく,10xアンダーサンプルデータから高品質なFPP-CMR画像を提供する。
• 参考スコア（独自算出の注目度）: 2.023359976134555
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: First-pass perfusion cardiac magnetic resonance (FPP-CMR) is becoming an essential non-invasive imaging method for detecting deficits of myocardial blood flow, allowing the assessment of coronary heart disease. Nevertheless, acquisitions suffer from relatively low spatial resolution and limited heart coverage. Compressed sensing (CS) methods have been proposed to accelerate FPP-CMR and achieve higher spatial resolution. However, the long reconstruction times have limited the widespread clinical use of CS in FPP-CMR. Deep learning techniques based on supervised learning have emerged as alternatives for speeding up reconstructions. However, these approaches require fully sampled data for training, which is not possible to obtain, particularly high-resolution FPP-CMR images. Here, we propose a physics-informed self-supervised deep learning FPP-CMR reconstruction approach for accelerating FPP-CMR scans and hence facilitate high spatial resolution imaging. The proposed method provides high-quality FPP-CMR images from 10x undersampled data without using fully sampled reference data.
• Abstract（参考訳）: FPP-CMR(First-pass perfusion Heartc Magnetic resonance)は, 心筋血流障害を診断し, 冠動脈疾患の診断に欠かせない非侵襲的画像診断法である。 それにもかかわらず、買収は比較的低い空間分解能と限られた心臓範囲に苦しむ。 FPP-CMRの高速化と空間分解能の向上を目的とした圧縮センシング法が提案されている。 しかし、長い再建期間は、FPP-CMRにおけるCSの広範な臨床使用を制限している。 教師あり学習に基づくディープラーニング技術は、再構築をスピードアップするための代替手段として登場した。 しかし、これらの手法はトレーニングのために完全なサンプルデータを必要としており、特に高解像度のFPP-CMR画像を得ることはできない。 本稿では,FPP-CMRスキャンを高速化し,高分解能撮像を容易にする物理インフォームド自己学習型FPP-CMR再構成手法を提案する。 提案手法は,フルサンプリング参照データを用いることなく,10xアンダーサンプルデータから高品質なFPP-CMR画像を提供する。

関連論文リスト

• Training Physics-Driven Deep Learning Reconstruction without Raw Data Access for Equitable Fast MRI [2.512491726995032]
  物理駆動型ディープラーニング(PD-DL)アプローチは、高速磁気共鳴画像(MRI)スキャンの再構築に人気がある。 PD-DLは、既存の高速MRI技術と比較して加速率が高いが、特定のMRIセンター以外での使用は限られている。 それらの展開の障害の1つは、トレーニングセットでよく表現されていない病理や集団への一般化の難しさである。 CUPIDは、生のk空間データアクセスを必要とするよく確立されたPD-DLトレーニング戦略と同じような品質を実現する。
  論文  参考訳（メタデータ） (2024-11-20T03:53:41Z)
• On the Foundation Model for Cardiac MRI Reconstruction [6.284878525302227]
  本稿では,適応アンロール,チャネルシフト,パターンとコントラスト-プロンプト-UNetを用いた基礎モデルを提案する。 PCP-UNetは画像コントラストとサンプリングパターンプロンプトを備える。
  論文  参考訳（メタデータ） (2024-11-15T18:15:56Z)
• Accelerating Cardiac MRI Reconstruction with CMRatt: An Attention-Driven Approach [8.904269561863103]
  本研究の目的は,心画像再構成の文脈において,深層学習モデルに組み込まれた注意機構の未発達の可能性を探ることである。 我々の第一の目的は、U-Netのような畳み込みバックボーンモデルと統合した場合のアテンションアルゴリズムの強みと潜在的な制限を特定することである。 本稿では,心臓画像再構成の課題に特化して最適化された,シンプルで効果的な注目パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-10T11:47:51Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Unsupervised reconstruction of accelerated cardiac cine MRI using Neural Fields [3.684766600912547]
  心臓血管MRI(NF-cMRI)における暗黙的神経野表現に基づく教師なしアプローチを提案する。 提案手法は,26xおよび52xのアンダーサンプリング因子に対するゴールデンアングル・ラジアルマルチコイルのアンダーサンプリングにおいて評価された。
  論文  参考訳（メタデータ） (2023-07-24T23:31:36Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Efficient and Phase-aware Video Super-resolution for Cardiac MRI [23.5319835123499]
  我々は,CMRビデオの超解像問題を解決するために,新しいエンドツーエンドのトレーニング可能なネットワークを提案する。 心的知識をモデルに組み込んで時間的情報の利用を支援する。
  論文  参考訳（メタデータ） (2020-05-21T13:29:03Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。