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

• RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping [3.293391422431541]
  現在、心臓T1マッピングでは、運動補正の効果的な、堅牢で効率的な方法が欠如している。 本稿では,心的T1マッピングにおける動き補正のための深層学習に基づくトポロジ保存画像登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T14:38:35Z)
• MOZART: Ensembling Approach for COVID-19 Detection using Chest X-Ray Imagery [0.0]
  新型コロナウイルス(COVID-19)が世界的なパンデミックを引き起こし、医療システムに悪影響を及ぼした。 従来の畳み込みニューラルネットワーク(CNN)は印象的な精度を実現している。 ウイルス検出を強化するアンサンブル学習手法であるMOZARTフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-10-11T21:02:58Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• MBSS-T1: Model-Based Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [14.798873955983714]
  心臓T1マッピングにおける動作補正のための自己教師型モデルMBSS-T1を導入する。 物理的制約は期待される信号減衰挙動を保証し、解剖学的制約は現実的な変形を維持する。 MBSS-T1は5倍の実験でベースライン深層学習に基づく画像登録手法より優れていた。
  論文  参考訳（メタデータ） (2024-08-21T21:03:36Z)
• Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
  拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。 本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T19:08:40Z)
• 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)
• 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)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 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。