論文の概要: Generalized Diffusion MRI Denoising and Super-Resolution using Swin Transformers

• arxiv url: http://arxiv.org/abs/2303.05686v1
• Date: Fri, 10 Mar 2023 03:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 16:17:44.748816
• Title: Generalized Diffusion MRI Denoising and Super-Resolution using Swin Transformers
• Title（参考訳）: スイニングトランスを用いた一般拡散MRIと超解像
• Authors: Amir Sadikov, Jamie Wren-Jarvis, Xinlei Pan, Lanya T. Cai, Pratik Mukherjee
• Abstract要約: 拡散MRI(Diffusion MRI)は、ヒト脳の組織微細構造と構造的接続をマッピングできる非侵襲的、生体内イメージング法である。 しかし、高信号-雑音比(SNR)データセットを高角・空間サンプリングで取得するには、極めて長いスキャン時間が必要である。 本稿では,Human Connectome Project(HCP)データに基づいてトレーニングし,登録されたT1スキャンで条件付きSwin UNEt TRansformers(Swin UNETR)モデルを提案する。
• 参考スコア（独自算出の注目度）: 5.621791814839443
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion MRI is a non-invasive, in-vivo medical imaging method able to map tissue microstructure and structural connectivity of the human brain, as well as detect changes, such as brain development and injury, not visible by other clinical neuroimaging techniques. However, acquiring high signal-to-noise ratio (SNR) datasets with high angular and spatial sampling requires prohibitively long scan times, limiting usage in many important clinical settings, especially children, the elderly, and emergency patients with acute neurological disorders who might not be able to cooperate with the MRI scan without conscious sedation or general anesthesia. Here, we propose to use a Swin UNEt TRansformers (Swin UNETR) model, trained on augmented Human Connectome Project (HCP) data and conditioned on registered T1 scans, to perform generalized denoising and super-resolution of diffusion MRI invariant to acquisition parameters, patient populations, scanners, and sites. We qualitatively demonstrate super-resolution with artificially downsampled HCP data in normal adult volunteers. Our experiments on two other unrelated datasets, one of children with neurodevelopmental disorders and one of traumatic brain injury patients, show that our method demonstrates superior denoising despite wide data distribution shifts. Further improvement can be achieved via finetuning with just one additional subject. We apply our model to diffusion tensor (2nd order spherical harmonic) and higher-order spherical harmonic coefficient estimation and show results superior to current state-of-the-art methods. Our method can be used out-of-the-box or minimally finetuned to denoise and super-resolve a wide variety of diffusion MRI datasets. The code and model are publicly available at https://github.com/ucsfncl/dmri-swin.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI)は、ヒト脳の微細構造と構造的接続をマッピングし、他の臨床神経画像技術では見えない脳の発達や損傷などの変化を検出することができる非侵襲的な生体内医療イメージング法である。 しかし,高信号-雑音比 (SNR) データセットを高角, 空間的サンプリングで取得するには, 意識的な鎮静や全身麻酔を伴わずにMRIスキャンに協力できない小児, 高齢者, 急性神経疾患患者など多くの重要な臨床領域での使用を制限するため, 極めて長いスキャン時間を要する。 本稿では,Human Connectome Project(HCP)データに基づいてトレーニングし,登録されたT1スキャンで条件付けしたSwin UNEt TRansformers(Swin UNETR)モデルを用いて,取得パラメータ,患者集団,スキャナ,サイトなどの拡散MRI不変量の一般化と超解像を行う。 健常成人のhcpデータを用いて,超解像を定性的に示す。 神経発達障害児1名と外傷性脳損傷患者の2名の非関連データセットを用いた実験により,広範なデータ分布の変化にもかかわらず,良好な発声を示すことが示された。 さらなる改善は、たった1つの主題で微調整によって達成できる。 拡散テンソル(2次球面高調波)および高次球面高調波係数推定に本モデルを適用し,現在の手法よりも優れた結果を示す。 提案手法は,広範囲な拡散MRIデータセットを識別・超解法するために,アウト・オブ・ザ・ボックスや最小限の微細化が可能である。 コードとモデルはhttps://github.com/ucsfncl/dmri-swinで公開されている。

関連論文リスト

• Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
  圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。 ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。 CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
  本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。 我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
  論文  参考訳（メタデータ） (2024-03-26T14:21:49Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction [20.84830225817378]
  Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
  論文  参考訳（メタデータ） (2023-07-25T03:11:24Z)
• 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)
• Automatic Diagnosis of Myocarditis Disease in Cardiac MRI Modality using Deep Transformers and Explainable Artificial Intelligence [20.415917092103033]
  心筋炎は、多くの人の健康を脅かす重要な心血管疾患(CVD)である。 HIVなどを含む微生物やウイルスの発生は、心筋炎疾患(MCD)の発生に重要な役割を担っている 提案したCADSは,データセット,前処理,特徴抽出,分類,後処理など,いくつかのステップで構成されている。
  論文  参考訳（メタデータ） (2022-10-26T10:34:20Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• FREA-Unet: Frequency-aware U-net for Modality Transfer [9.084926957557842]
  MRIデータから合成PET画像を生成するための新しい周波数認識型注意Uネットを提案する。 Unetは低周波層や高周波層における特徴写像の注意点を計算し、それをモデルがより重要な領域に集中するのに役立てます。
  論文  参考訳（メタデータ） (2020-12-31T01:58:44Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。