論文の概要: Deep Learning-based Diffusion Tensor Cardiac Magnetic Resonance
Reconstruction: A Comparison Study
- arxiv url: http://arxiv.org/abs/2304.00996v2
- Date: Tue, 4 Apr 2023 14:30:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 10:29:56.993068
- Title: Deep Learning-based Diffusion Tensor Cardiac Magnetic Resonance
Reconstruction: A Comparison Study
- Title（参考訳）: 深層学習に基づく拡散テンソル心磁気共鳴再構成 : 比較検討
- Authors: Jiahao Huang, Pedro F. Ferreira, Lichao Wang, Yinzhe Wu, Angelica I.
Aviles-Rivero, Carola-Bibiane Schonlieb, Andrew D. Scott, Zohya Khalique,
Maria Dwornik, Ramyah Rajakulasingam, Ranil De Silva, Dudley J. Pennell,
Sonia Nielles-Vallespin, Guang Yang
- Abstract要約: In Vivo心拡散テンソルイメージング(In Vivo心拡散テンソルイメージング、CDTI)は、生体内の心筋組織の微細構造を評価するためのMRI技術である。
本稿では,cDTI再構成のための3種類のディープラーニングベースMRI再構成モデルについて検討・実装する。
- 参考スコア（独自算出の注目度）: 0.9640839376239874
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In vivo cardiac diffusion tensor imaging (cDTI) is a promising Magnetic
Resonance Imaging (MRI) technique for evaluating the micro-structure of
myocardial tissue in the living heart, providing insights into cardiac function
and enabling the development of innovative therapeutic strategies. However, the
integration of cDTI into routine clinical practice is challenging due to the
technical obstacles involved in the acquisition, such as low signal-to-noise
ratio and long scanning times. In this paper, we investigate and implement
three different types of deep learning-based MRI reconstruction models for cDTI
reconstruction. We evaluate the performance of these models based on
reconstruction quality assessment and diffusion tensor parameter assessment.
Our results indicate that the models we discussed in this study can be applied
for clinical use at an acceleration factor (AF) of $\times 2$ and $\times 4$,
with the D5C5 model showing superior fidelity for reconstruction and the SwinMR
model providing higher perceptual scores. There is no statistical difference
with the reference for all diffusion tensor parameters at AF $\times 2$ or most
DT parameters at AF $\times 4$, and the quality of most diffusion tensor
parameter maps are visually acceptable. SwinMR is recommended as the optimal
approach for reconstruction at AF $\times 2$ and AF $\times 4$. However, we
believed the models discussed in this studies are not prepared for clinical use
at a higher AF. At AF $\times 8$, the performance of all models discussed
remains limited, with only half of the diffusion tensor parameters being
recovered to a level with no statistical difference from the reference. Some
diffusion tensor parameter maps even provide wrong and misleading information.
- Abstract（参考訳）: in vivo 心拡散テンソルイメージング(in vivo 心拡散テンソルイメージング、cDTI)は、生体内の心筋組織の微細構造を評価し、心機能に関する洞察を与え、革新的な治療戦略の開発を可能にする、有望な磁気共鳴イメージング(MRI)技術である。
しかし,CDTIの日常的な臨床実践への統合は,低信号対雑音比や長期走査時間といった,買収に関わる技術的障害のために困難である。
本稿では,cDTI再構成のための3種類のディープラーニングベースMRI再構成モデルについて検討・実装する。
これらのモデルの性能を再構成品質評価と拡散テンソルパラメータ評価に基づいて評価する。
以上の結果から, 本研究で検討したモデルは, 2$ および 4$ の加速度因子 (af) で臨床応用が可能であり, d5c5 モデルは再構成に優れた忠実性を示し, swinmr モデルはより高い知覚スコアを与えることが示唆された。
AF $\times 2$またはほとんどのDTパラメータはAF $\times 4$であり、ほとんどの拡散テンソルパラメータマップの品質は視覚的に許容される。
SwinMR は AF $\times 2$ と AF $\times 4$ で再構築するための最適なアプローチとして推奨されている。
しかし,本研究で論じるモデルは,高次AFにおける臨床応用には適していないと考えられた。
AF $\times 8$では、議論された全てのモデルのパフォーマンスが制限されており、拡散テンソルパラメータの半分しか参照と統計的に異なるレベルに復元されない。
拡散テンソルパラメータマップの中には間違った情報や誤解を招くものさえある。
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) - Cine cardiac MRI reconstruction using a convolutional recurrent network
with refinement [9.173298795526152]
心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。
これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。
提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
論文 参考訳（メタデータ） (2023-09-23T14:07:04Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳（メタデータ） (2023-06-05T22:09:06Z) - Exploring contrast generalisation in deep learning-based brain MRI-to-CT
synthesis [0.0]
MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。
ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
論文 参考訳（メタデータ） (2023-03-17T18:45:05Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - Predicting Ejection Fraction from Chest X-rays Using Computer Vision for
Diagnosing Heart Failure [8.955986135184375]
Ejection fraction (EF) は心不全の診断と管理のための重要な指標である。
胸部X線(CXR)は迅速で安価であり、専門知識は少ないが、EFを推定するのに十分な情報を提供していない。
本研究は,CXRのみからEFの低減を予測するためのコンピュータビジョン技術の有効性について検討する。
論文 参考訳（メタデータ） (2022-12-19T21:18:27Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Assessment of Data Consistency through Cascades of Independently
Recurrent Inference Machines for fast and robust accelerated MRI
reconstruction [0.0]
データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。
本研究は、非ループ最適化によりDCを評価するために、CIRIM (Independently Recurrent Inference Machines) のカスケードを提案する。
E2EVNは直流を明示的に定式化する必要があるのに対し、直流を暗黙的に強制する場合はCIRIMが最善であることを示す。
論文 参考訳（メタデータ） (2021-11-30T15:34:30Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z)
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。