論文の概要: Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability

• arxiv url: http://arxiv.org/abs/2303.05686v2
• Date: Fri, 6 Oct 2023 12:35:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 14:28:53.603829
• Title: Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability
• Title（参考訳）: 画像品質, 信頼性, 一般化性を改善した高速拡散mri生成ai
• Authors: Amir Sadikov, Xinlei Pan, Hannah Choi, Lanya T. Cai, Pratik Mukherjee
• Abstract要約: 我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
• 参考スコア（独自算出の注目度）: 3.6119644566822484
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion MRI is a non-invasive, in-vivo biomedical imaging method for mapping tissue microstructure. Applications include structural connectivity imaging of the human brain and detecting microstructural neural changes. However, acquiring high signal-to-noise ratio dMRI datasets with high angular and spatial resolution requires prohibitively long scan times, limiting usage in many important clinical settings, especially for children, the elderly, and in acute neurological disorders that may require conscious sedation or general anesthesia. We employ a Swin UNEt Transformers model, trained on augmented Human Connectome Project data and conditioned on registered T1 scans, to perform generalized denoising of dMRI. We also qualitatively demonstrate super-resolution with artificially downsampled HCP data in normal adult volunteers. Remarkably, Swin UNETR can be fine-tuned for an out-of-domain dataset with a single example scan, as we demonstrate on dMRI of children with neurodevelopmental disorders and of adults with acute evolving traumatic brain injury, each cohort scanned on different models of scanners with different imaging protocols at different sites. We exceed current state-of-the-art denoising methods in accuracy and test-retest reliability of rapid diffusion tensor imaging requiring only 90 seconds of scan time. Applied to tissue microstructural modeling of dMRI, Swin UNETR denoising achieves dramatic improvements over the state-of-the-art for test-retest reliability of intracellular volume fraction and free water fraction measurements and can remove heavy-tail noise, improving biophysical modeling fidelity. Swin UNeTR enables rapid diffusion MRI with unprecedented accuracy and reliability, especially for probing biological tissues for scientific and clinical applications. The code and model are publicly available at https://github.com/ucsfncl/dmri-swin.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI)は、組織組織をマッピングするための非侵襲的生体内イメージング法である。 応用例としては、人間の脳の構造的接続のイメージングや、構造的神経変化の検出がある。 しかし、高信号対雑音比のdMRIデータセットを高い角分解能と空間分解能で取得するには、特に小児、高齢者、意識的な鎮静や全身麻酔を必要とする急性神経疾患など多くの重要な臨床環境での使用を制限するため、極めて長いスキャン時間が必要である。 我々は、Human Connectome Projectデータに基づいて訓練され、登録されたT1スキャンで条件付けされたSwin UNEt Transformersモデルを用いて、dMRIの一般化復調を行う。 また,健常成人におけるHCPデータを用いた超解像を定性的に実証した。 特筆すべきは、Swin UNETRは単一のサンプルスキャンでドメイン外のデータセットを微調整することができ、神経発達障害を持つ子供のdMRIと急性の外傷性脳損傷を持つ成人のdMRIで、それぞれのコホートは異なる部位の異なるイメージングプロトコルを持つスキャナーの異なるモデルでスキャンされる。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。 DMRIの組織微細構造モデリングに応用したSwin UNETR denoisingは、細胞内体積分画と遊離水分画の信頼性テストのための最先端技術よりも劇的な改善を実現し、ヘビーテールノイズを除去し、バイオ物理モデリングの忠実さを向上させる。 Swin UNeTRは、特に科学的、臨床的応用のための生物学的組織を探索するために、前例のない精度と信頼性で迅速な拡散MRIを可能にする。 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

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  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。