論文の概要: Generalizable synthetic MRI with physics-informed convolutional networks
- arxiv url: http://arxiv.org/abs/2305.12570v1
- Date: Sun, 21 May 2023 21:16:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 19:36:04.766939
- Title: Generalizable synthetic MRI with physics-informed convolutional networks
- Title(参考訳): 物理インフォーメーション畳み込みネットワークを用いた一般化合成mri
- Authors: Luuk Jacobs, Stefano Mandija, Hongyan Liu, Cornelis A.T. van den Berg,
Alessandro Sbrizzi, Matteo Maspero
- Abstract要約: 物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。
我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
- 参考スコア(独自算出の注目度): 57.628770497971246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we develop a physics-informed deep learning-based method to
synthesize multiple brain magnetic resonance imaging (MRI) contrasts from a
single five-minute acquisition and investigate its ability to generalize to
arbitrary contrasts to accelerate neuroimaging protocols. A dataset of
fifty-five subjects acquired with a standard MRI protocol and a five-minute
transient-state sequence was used to develop a physics-informed deep
learning-based method. The model, based on a generative adversarial network,
maps data acquired from the five-minute scan to "effective" quantitative
parameter maps, here named q*-maps, by using its generated PD, T1, and T2
values in a signal model to synthesize four standard contrasts (proton
density-weighted, T1-weighted, T2-weighted, and T2-weighted fluid-attenuated
inversion recovery), from which losses are computed. The q*-maps are compared
to literature values and the synthetic contrasts are compared to an end-to-end
deep learning-based method proposed by literature. The generalizability of the
proposed method is investigated for five volunteers by synthesizing three
non-standard contrasts unseen during training and comparing these to respective
ground truth acquisitions via contrast-to-noise ratio and quantitative
assessment. The physics-informed method was able to match the high-quality
synthMRI of the end-to-end method for the four standard contrasts, with mean
\pm standard deviation structural similarity metrics above 0.75 \pm 0.08 and
peak signal-to-noise ratios above 22.4 \pm 1.9 and 22.6 \pm 2.1. Additionally,
the physics-informed method provided retrospective contrast adjustment, with
visually similar signal contrast and comparable contrast-to-noise ratios to the
ground truth acquisitions for three sequences unused for model training,
demonstrating its generalizability and potential application to accelerate
neuroimaging protocols.
- Abstract(参考訳): 本研究では,脳磁気共鳴画像(MRI)コントラストを1つの5分間の取得から合成し,任意のコントラストに一般化してニューロイメージングプロトコルを高速化する物理インフォームド・ディープラーニング法を開発した。
物理インフォームド深層学習法の開発のために,標準MRIプロトコルと5分間の過渡状態シーケンスで取得した50名の被験者のデータセットを用いた。
このモデルは5分間のスキャンから得られたデータをq*-mapsと呼ばれる定量的パラメータマップにマッピングし、生成されたpd, t1, t2値を用いて4つの標準コントラスト(プロトン密度重み付け、t1重み付け、t2重み付け、t2重み付け、t2重み付き流体減衰反転回復)を合成する。
q*-マップは文献値と比較され、合成コントラストは文学によって提案されたエンドツーエンドのディープラーニングベースの手法と比較される。
提案手法の一般化性は, 訓練中の3つの非標準コントラストを合成し, コントラスト対雑音比と定量的評価を用いて各基底真理獲得値と比較することにより検討した。
物理インフォームド法は、4つの標準コントラストに対して、平均 \pm 標準偏差構造類似度を 0.75 \pm 0.08 以上、ピーク信号-雑音比を 22.4 \pm 1.9 以上、22.6 \pm 2.1 以上とすることで、高品質の合成MRIと一致することができた。
さらに、物理インフォームド法は、視覚的に類似した信号コントラストと、モデルトレーニングに未使用の3つのシークエンスに対して、基底真理取得と同等のコントラスト比の反射コントラスト調整を提供し、その一般化性と、ニューロイメージングプロトコルを加速するための潜在的応用を実証した。
関連論文リスト
- Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。
対象はT1データセット(T1-w)50例であった。
ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
論文 参考訳(メタデータ) (2024-06-21T21:22:17Z) - DeepMpMRI: Tensor-decomposition Regularized Learning for Fast and High-Fidelity Multi-Parametric Microstructural MR Imaging [15.408939800451696]
本稿では,様々な拡散モデルから高速かつ高忠実なマルチパラメトリック推定を行うための統一フレームワークを提案する。
DeepMpMRIは、細部を効果的に捉えるために新しく設計されたテンソル分解ベースの正規化器を備えている。
論文 参考訳(メタデータ) (2024-05-06T04:36:02Z) - Intra-video Positive Pairs in Self-Supervised Learning for Ultrasound [65.23740556896654]
自己教師付き学習 (SSL) は, 医療画像におけるラベル付きデータの健全性に対処するための戦略である。
本研究では,同じBモード超音波映像をSSLのペアとして用いた近位画像の利用効果について検討した。
この手法は、従来の超音波特異的比較学習法の平均検査精度を新型コロナウイルスの分類で上回り、IVPP(Intra-Video Positive Pairs)と命名された。
論文 参考訳(メタデータ) (2024-03-12T14:57:57Z) - High-fidelity Direct Contrast Synthesis from Magnetic Resonance
Fingerprinting [28.702553164811473]
本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。
In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
論文 参考訳(メタデータ) (2022-12-21T07:11:39Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - DS3-Net: Difficulty-perceived Common-to-T1ce Semi-Supervised Multimodal
MRI Synthesis Network [3.9562534927482704]
本稿では,多モードMRI合成ネットワーク(DS3-Net)を提案する。
5%のペアデータしか持たないDS3-Netは、100%ペアデータを利用した最先端の画像翻訳手法と競合し、平均SSIMは0.8947、平均PSNRは23.60である。
論文 参考訳(メタデータ) (2022-03-14T08:22:15Z) - A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
論文 参考訳(メタデータ) (2022-03-01T17:16:41Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳(メタデータ) (2021-10-12T23:25:03Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-06T20:20:22Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z)
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。