論文の概要: Deep Learning for Retrospective Motion Correction in MRI: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2305.06739v2
• Date: Mon, 25 Sep 2023 16:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 02:51:03.345169
• Title: Deep Learning for Retrospective Motion Correction in MRI: A Comprehensive Review
• Title（参考訳）: MRIにおける振り返り運動補正のための深層学習 : 総合的考察
• Authors: Veronika Spieker, Hannah Eichhorn, Kerstin Hammernik, Daniel Rueckert, Christine Preibisch, Dimitrios C. Karampinos and Julia A. Schnabel
• Abstract要約: 運動は磁気共鳴画像(MRI)における大きな課題の1つである 深層学習は再建過程のいくつかの段階で運動補正のために頻繁に提案されている。 このレビューでは、基礎となるデータ利用、アーキテクチャ、トレーニング、評価戦略の違いと相乗効果を明らかにします。
• 参考スコア（独自算出の注目度）: 10.968260853546797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion represents one of the major challenges in magnetic resonance imaging (MRI). Since the MR signal is acquired in frequency space, any motion of the imaged object leads to complex artefacts in the reconstructed image in addition to other MR imaging artefacts. Deep learning has been frequently proposed for motion correction at several stages of the reconstruction process. The wide range of MR acquisition sequences, anatomies and pathologies of interest, and motion patterns (rigid vs. deformable and random vs. regular) makes a comprehensive solution unlikely. To facilitate the transfer of ideas between different applications, this review provides a detailed overview of proposed methods for learning-based motion correction in MRI together with their common challenges and potentials. This review identifies differences and synergies in underlying data usage, architectures, training and evaluation strategies. We critically discuss general trends and outline future directions, with the aim to enhance interaction between different application areas and research fields.
• Abstract（参考訳）: 運動はMRI(MRI)における大きな課題の1つである。 MR信号は周波数空間で取得されるので、撮像された物体の運動は、他のMRイメージングアーチファクトに加えて、再構成された画像の複雑なアーチファクトにつながる。 深層学習は再建過程のいくつかの段階で運動補正のために頻繁に提案されている。 mr取得シーケンス、解剖学、関心の病理、および運動パターン(リギッド対変形可能、ランダム対正則)の幅広い範囲は、包括的解決をあり得ない。 異なるアプリケーション間でのアイデアの伝達を容易にするため、このレビューでは、MRIにおける学習に基づく動き補正手法と、それらの共通の課題と可能性について概説する。 本稿では,基礎となるデータ利用,アーキテクチャ,トレーニング,評価戦略の違いと相乗効果について述べる。 我々は, 異なる応用分野と研究分野との相互作用を強化することを目的として, 一般動向と今後の方向性について批判的に議論する。

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)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Undersampled MRI Reconstruction with Side Information-Guided Normalisation [20.28262806301981]
  畳み込みニューラルネットワーク(CNN)の正常化パラメータとして外見関連側情報を用いて,MRIのアンダーサンプル化を改善する。 具体的には,サイド情報を効率的にエンコードし,正規化パラメータを出力するために,少数のレイヤのみを含むサイド情報ガイド正規化(SIGN)モジュールを提案する。
  論文  参考訳（メタデータ） (2022-03-07T08:04:08Z)
• Recurrent Variational Network: A Deep Learning Inverse Problem Solver applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
  本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。 RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。 提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
  論文  参考訳（メタデータ） (2021-11-18T11:44:04Z)
• 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)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• 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)
• Multi-Coil MRI Reconstruction Challenge -- Assessing Brain MRI Reconstruction Models and their Generalizability to Varying Coil Configurations [40.263770807921524]
  深層学習に基づく脳磁気共鳴画像(MRI)再構成法は、MRI取得プロセスを加速する可能性がある。 マルチコイル磁気共鳴画像(MC-MRI)再構成チャレンジは、これらの問題に対処するためのベンチマークを提供する。 本稿では,この課題を実験的に考察し,脳MRI再建モデルのベースラインと状態のセットの結果を要約する。
  論文  参考訳（メタデータ） (2020-11-10T04:11:48Z)

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。