論文の概要: The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning
- arxiv url: http://arxiv.org/abs/2308.07885v1
- Date: Tue, 15 Aug 2023 17:22:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 12:03:17.086546
- Title: The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning
- Title(参考訳): 深層学習を用いた胎児心MRI再建の課題
- Authors: Denis Prokopenko, Kerstin Hammernik, Thomas Roberts, David F A Lloyd,
Daniel Rueckert, Joseph V Hajnal
- Abstract要約: ディープラーニング手法は、kt-SENSE取得戦略の最適化と、非ゲートkt-SENSE再構築品質の向上に役立つ。
そこで本研究では,kt-SENSEスタイルの取得したデータをインビボの広範囲なデータセットを用いて再構成するための教師付きディープラーニングネットワークについて検討する。
本研究は,母体解剖の詳細な描写を大規模に再現するが,胎児心臓の動的特性は低発現であることを示す。
- 参考スコア(独自算出の注目度): 11.809564612082935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic free-breathing fetal cardiac MRI is one of the most challenging
modalities, which requires high temporal and spatial resolution to depict rapid
changes in a small fetal heart. The ability of deep learning methods to recover
undersampled data could help to optimise the kt-SENSE acquisition strategy and
improve non-gated kt-SENSE reconstruction quality. In this work, we explore
supervised deep learning networks for reconstruction of kt-SENSE style acquired
data using an extensive in vivo dataset. Having access to fully-sampled
low-resolution multi-coil fetal cardiac MRI, we study the performance of the
networks to recover fully-sampled data from undersampled data. We consider
model architectures together with training strategies taking into account their
application in the real clinical setup used to collect the dataset to enable
networks to recover prospectively undersampled data. We explore a set of
modifications to form a baseline performance evaluation for dynamic fetal
cardiac MRI on real data. We systematically evaluate the models on
coil-combined data to reveal the effect of the suggested changes to the
architecture in the context of fetal heart properties. We show that the
best-performers recover a detailed depiction of the maternal anatomy on a large
scale, but the dynamic properties of the fetal heart are under-represented.
Training directly on multi-coil data improves the performance of the models,
allows their prospective application to undersampled data and makes them
outperform CTFNet introduced for adult cardiac cine MRI. However, these models
deliver similar qualitative performances recovering the maternal body very well
but underestimating the dynamic properties of fetal heart. This dynamic feature
of fast change of fetal heart that is highly localised suggests both more
targeted training and evaluation methods might be needed for fetal heart
application.
- Abstract(参考訳): 動的自由呼吸型胎児心MRIは、胎児の心臓の急激な変化を示すために、高時間分解能と空間分解能を必要とする最も困難である。
深層学習によるアンサンプデータの復元能力は,kt-SENSE獲得戦略の最適化と非ゲートkt-SENSE再構築品質の向上に役立つ。
本研究では,kt-senseスタイル獲得データの再構成のために,広範囲なin vivoデータセットを用いた教師付き深層学習ネットワークについて検討する。
完全サンプリングされた低解像度マルチコイル胎児心MRIにアクセスし, アンダーサンプルデータから完全サンプリングされたデータを復元するネットワークの性能について検討した。
モデルアーキテクチャとトレーニング戦略を併用して、データセットの収集に使用される実際の臨床的な設定を考慮し、ネットワークが潜在的にアンサンプされたデータを復元できるようにする。
実データを用いた胎児心のダイナミックMRIのベースライン性能評価のための一連の修正について検討する。
コイル結合データを用いたモデルの評価を体系的に行い, 胎児心特性の文脈において, 提案する構造変化の影響を明らかにする。
本研究は,母体解剖の詳細な描写を大規模に再現するが,胎児心臓の動的特性は低発現であることを示す。
マルチコイルデータを直接トレーニングすることで、モデルの性能が向上し、将来的なアプリケーションがデータをアンサンプし、成人心血管MRIに導入されたCTFNetを上回っている。
しかし、これらのモデルは、母体が非常に良く回復するが、胎児の心臓の動的特性を過小評価する同様の質的パフォーマンスを提供する。
胎児の心臓の急速な変化のダイナミックな特徴は、よりターゲティングなトレーニングと評価方法の両方が胎児の心臓の応用に必要であることを示唆している。
関連論文リスト
- Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [23.142320453773696]
ダイナミックMRI(Dynamic MRI)は心臓の診断に不可欠である。
高速撮像を実現するため、k空間データをアンサンプできるが、画像再構成は高次元処理の大きな課題となる。
本研究は,高度に制限された学習データでも優れた次元再現型分離学習手法を応用した,新規で効率的な手法を提案する。
論文 参考訳(メタデータ) (2024-02-24T23:56:15Z) - D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on
transformer for assessment of patient physical rehabilitation [0.3626013617212666]
本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。
デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。
KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
論文 参考訳(メタデータ) (2023-12-21T00:38:31Z) - JSSL: Joint Supervised and Self-supervised Learning for MRI
Reconstruction [7.043932618116216]
JSSL(Joint Supervised and Self-supervised Learning)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。
本研究は,従来の自己指導型訓練法よりも大幅に改善されたことを示す。
論文 参考訳(メタデータ) (2023-11-27T14:23:36Z) - 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) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳(メタデータ) (2022-11-24T06:57:16Z) - Evaluating U-net Brain Extraction for Multi-site and Longitudinal
Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。
U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。
240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文 参考訳(メタデータ) (2022-03-11T02:00:27Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳(メタデータ) (2021-08-03T08:52:06Z) - 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) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z)
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。