論文の概要: PCMC-T1: Free-breathing myocardial T1 mapping with
Physically-Constrained Motion Correction
- arxiv url: http://arxiv.org/abs/2308.11281v1
- Date: Tue, 22 Aug 2023 08:50:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 13:38:26.728353
- Title: PCMC-T1: Free-breathing myocardial T1 mapping with
Physically-Constrained Motion Correction
- Title(参考訳): PCMC-T1: 運動補正による自由呼吸心筋T1マッピング
- Authors: Eyal Hanania, Ilya Volovik, Lilach Barkat, Israel Cohen and Moti
Freiman
- Abstract要約: 自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。
信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
- 参考スコア(独自算出の注目度): 15.251935193140982
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: T1 mapping is a quantitative magnetic resonance imaging (qMRI) technique that
has emerged as a valuable tool in the diagnosis of diffuse myocardial diseases.
However, prevailing approaches have relied heavily on breath-hold sequences to
eliminate respiratory motion artifacts. This limitation hinders accessibility
and effectiveness for patients who cannot tolerate breath-holding. Image
registration can be used to enable free-breathing T1 mapping. Yet, inherent
intensity differences between the different time points make the registration
task challenging. We introduce PCMC-T1, a physically-constrained deep-learning
model for motion correction in free-breathing T1 mapping. We incorporate the
signal decay model into the network architecture to encourage
physically-plausible deformations along the longitudinal relaxation axis. We
compared PCMC-T1 to baseline deep-learning-based image registration approaches
using a 5-fold experimental setup on a publicly available dataset of 210
patients. PCMC-T1 demonstrated superior model fitting quality (R2: 0.955) and
achieved the highest clinical impact (clinical score: 3.93) compared to
baseline methods (0.941, 0.946 and 3.34, 3.62 respectively). Anatomical
alignment results were comparable (Dice score: 0.9835 vs. 0.984, 0.988). Our
code and trained models are available at https://github.com/eyalhana/PCMC-T1.
- Abstract(参考訳): T1マッピングは、拡散性心筋疾患の診断に有用なツールとして登場した定量的磁気共鳴イメージング(qMRI)技術である。
しかし、一般的なアプローチは呼吸運動アーティファクトを除去するために呼吸保持配列に大きく依存している。
この制限は、呼吸保持を許容できない患者のアクセシビリティと有効性を妨げる。
画像登録は、無料のT1マッピングを可能にするために使用できる。
しかし、異なる時間ポイント間の固有の強度差は、登録タスクを難しくする。
自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。
信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
210名の患者を対象に,5倍の実験セットアップを用いて,pcmc-t1をベースラインディープラーニングに基づく画像登録手法と比較した。
PCMC-T1は、ベースライン法(0.941, 0.946, 3.34, 3.62)と比較して、優れたモデル適合性(R2: 0.955)を示し、最も高い臨床効果(臨床スコア: 3.93)を達成した。
解剖学的アライメントの結果は同等であった(Dice score: 0.9835 vs. 0.984, 0.988)。
私たちのコードとトレーニングされたモデルはhttps://github.com/eyalhana/pcmc-t1で利用可能です。
関連論文リスト
- Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。
UIA検出では偽陽性率は0.21で感度は0.80であった。
論文 参考訳(メタデータ) (2023-08-06T03:28:08Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
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。
論文 参考訳(メタデータ) (2023-05-21T21:16:20Z) - 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) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - 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) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳(メタデータ) (2022-06-15T18:35:22Z) - One shot PACS: Patient specific Anatomic Context and Shape prior aware
recurrent registration-segmentation of longitudinal thoracic cone beam CTs [3.3504365823045044]
胸部CBCTは, 造影コントラスト, 画像所見, 呼吸運動, 胸腔内解剖学的変化により, 分画が困難である。
縦型CBCTセグメンテーションのための新規な患者固有の解剖コンテキストと先行形状, PACS-3Dリカレントレジストレーションネットワークを開発した。
論文 参考訳(メタデータ) (2022-01-26T15:18:30Z) - Single volume lung biomechanics from chest computed tomography using a
mode preserving generative adversarial network [10.406580531987418]
単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。
提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。
提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
論文 参考訳(メタデータ) (2021-10-15T06:17:52Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳(メタデータ) (2020-10-07T06:22:24Z)
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。