論文の概要: Neural Spherical Harmonics for structurally coherent continuous
representation of diffusion MRI signal
- arxiv url: http://arxiv.org/abs/2308.08210v2
- Date: Wed, 23 Aug 2023 09:15:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 17:39:57.477673
- Title: Neural Spherical Harmonics for structurally coherent continuous
representation of diffusion MRI signal
- Title（参考訳）: 拡散MRI信号の構造的コヒーレント連続表現のためのニューラル球高調波
- Authors: Tom Hendriks, Anna Vilanova, Maxime Chamberland
- Abstract要約: 本稿では,ヒト脳の構造的コヒーレンスから恩恵を受ける拡散磁気共鳴画像(dMRI)データセットをモデル化する方法を提案する。
現在の方法では、個々のボクセルのdMRI信号をモデル化し、現在存在するボクセルのコヒーレンスを無視している。
我々は、ニューラルネットワークを用いて、Human Connectome Projectデータセットから1つの対象のdMRI信号を表現するために、球面調和系列をパラメータ化する。
- 参考スコア（独自算出の注目度）: 0.3277163122167433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel way to model diffusion magnetic resonance imaging (dMRI)
datasets, that benefits from the structural coherence of the human brain while
only using data from a single subject. Current methods model the dMRI signal in
individual voxels, disregarding the intervoxel coherence that is present. We
use a neural network to parameterize a spherical harmonics series (NeSH) to
represent the dMRI signal of a single subject from the Human Connectome Project
dataset, continuous in both the angular and spatial domain. The reconstructed
dMRI signal using this method shows a more structurally coherent representation
of the data. Noise in gradient images is removed and the fiber orientation
distribution functions show a smooth change in direction along a fiber tract.
We showcase how the reconstruction can be used to calculate mean diffusivity,
fractional anisotropy, and total apparent fiber density. These results can be
achieved with a single model architecture, tuning only one hyperparameter. In
this paper we also demonstrate how upsampling in both the angular and spatial
domain yields reconstructions that are on par or better than existing methods.
- Abstract（参考訳）: 本研究では,拡散磁気共鳴画像(dMRI)データセットをモデル化する新しい手法を提案する。
現在の方法は個々のボクセルにおけるdmri信号をモデル化し、ボクセル間のコヒーレンスを無視する。
我々は,ニューラルネットワークを用いて球面調和系(NeSH)をパラメータ化し,角領域と空間領域の両方で連続するHuman Connectome Projectデータセットから単一対象のdMRI信号を表現する。
この方法で再構成されたdmri信号は、より構造的にコヒーレントなデータの表現を示す。
傾斜画像中のノイズを除去し、繊維配向分布関数は繊維路に沿った方向の滑らかな変化を示す。
本稿では, 平均拡散率, 分数異方性, および全繊維密度を計算するために, 再構成をどのように利用できるかを紹介する。
これらの結果は単一のモデルアーキテクチャで実現でき、1つのハイパーパラメータのみをチューニングできる。
本稿では, 角領域と空間領域の両方におけるアップサンプリングが, 既存手法と同等以上の再現性をもたらすことを示す。
関連論文リスト
- Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。
提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
論文 参考訳（メタデータ） (2024-07-03T01:37:56Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - A Compact Implicit Neural Representation for Efficient Storage of
Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。
Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
論文 参考訳（メタデータ） (2023-11-30T05:54:37Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation [9.388253054229155]
暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。
提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。
良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
論文 参考訳（メタデータ） (2022-10-19T10:16:03Z) - CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative
R2* Mapping [12.414040285543273]
CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである
モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。
実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
論文 参考訳（メタデータ） (2022-10-12T15:49:51Z) - Multi-head Cascaded Swin Transformers with Attention to k-space Sampling
Pattern for Accelerated MRI Reconstruction [16.44971774468092]
我々は,McSTRA(Multi-head Cascaded Swin Transformer)と題する,物理学に基づくスタンドアロン(畳み込みフリー)トランスモデルを提案する。
当モデルでは, 画像と定量的に, 最先端のMRI再建法より有意に優れていた。
論文 参考訳（メタデータ） (2022-07-18T07:21:56Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。
GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
論文 参考訳（メタデータ） (2021-11-11T18:57:40Z) - 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)
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。