論文の概要: Preserved Edge Convolutional Neural Network for Sensitivity Enhancement
of Deuterium Metabolic Imaging (DMI)
- arxiv url: http://arxiv.org/abs/2309.04100v2
- Date: Wed, 13 Sep 2023 20:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 18:11:56.993466
- Title: Preserved Edge Convolutional Neural Network for Sensitivity Enhancement
of Deuterium Metabolic Imaging (DMI)
- Title(参考訳): 重水素代謝イメージング(DMI)の感度向上のための保存エッジ畳み込みニューラルネットワーク
- Authors: Siyuan Dong, Henk M. De Feyter, Monique A. Thomas, Robin A. de Graaf,
James S. Duncan
- Abstract要約: 本研究は,Deuterium Metabolic Imaging (DMI)の感度向上のための深層学習手法を提案する。
畳み込みニューラルネットワーク(CNN)は低SNRから2H標識代謝物濃度を推定するために設計された。
推定精度は、MRIに基づく各DMIデータセットのエッジ保存正規化によるCNNの微調整によりさらに向上した。
- 参考スコア(独自算出の注目度): 10.884358837187243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: Common to most MRSI techniques, the spatial resolution and the
minimal scan duration of Deuterium Metabolic Imaging (DMI) are limited by the
achievable SNR. This work presents a deep learning method for sensitivity
enhancement of DMI.
Methods: A convolutional neural network (CNN) was designed to estimate the
2H-labeled metabolite concentrations from low SNR and distorted DMI FIDs. The
CNN was trained with synthetic data that represent a range of SNR levels
typically encountered in vivo. The estimation precision was further improved by
fine-tuning the CNN with MRI-based edge-preserving regularization for each DMI
dataset. The proposed processing method, PReserved Edge ConvolutIonal neural
network for Sensitivity Enhanced DMI (PRECISE-DMI), was applied to simulation
studies and in vivo experiments to evaluate the anticipated improvements in SNR
and investigate the potential for inaccuracies.
Results: PRECISE-DMI visually improved the metabolic maps of low SNR
datasets, and quantitatively provided higher precision than the standard
Fourier reconstruction. Processing of DMI data acquired in rat brain tumor
models resulted in more precise determination of 2H-labeled lactate and
glutamate + glutamine levels, at increased spatial resolution (from >8 to 2
$\mu$L) or shortened scan time (from 32 to 4 min) compared to standard
acquisitions. However, rigorous SD-bias analyses showed that overuse of the
edge-preserving regularization can compromise the accuracy of the results.
Conclusion: PRECISE-DMI allows a flexible trade-off between enhancing the
sensitivity of DMI and minimizing the inaccuracies. With typical settings, the
DMI sensitivity can be improved by 3-fold while retaining the capability to
detect local signal variations.
- Abstract(参考訳): 目的:ほとんどのMRSI技術では,Deuterium Metabolic Imaging (DMI)の空間分解能と最小スキャン期間は,達成可能なSNRによって制限される。
本研究は,DMIの感度向上のための深層学習手法を提案する。
方法: 畳み込みニューラルネットワーク(CNN)は低SNRおよび歪んだDMI FIDから2H標識代謝物濃度を推定するために設計された。
CNNは、通常生体内で発生する様々なSNRレベルを表す合成データで訓練された。
推定精度は、MRIに基づく各DMIデータセットのエッジ保存正規化によるCNNの微調整によりさらに向上した。
提案手法である感度向上dmi(precise-dmi)のためのエッジ畳み込みニューラルネットワークをシミュレーションおよびin vivo実験に応用し,snrの改善予測を評価し,不正確性の可能性について検討した。
結果: PreCISE-DMI は低 SNR データセットの代謝マップを視覚的に改善し,標準的なフーリエ再構成よりも高い精度を定量的に提供した。
ラット脳腫瘍モデルで得られたdmiデータの処理により、2h標識乳酸およびグルタミン酸+グルタミン濃度の空間分解能(約8〜2ドル)またはスキャン時間の短縮(約32〜4分)が標準取得よりも正確に決定された。
しかし、厳密なSDバイアス分析により、エッジ保存正則化の過剰使用が結果の精度を損なうことが示された。
結論: PreCISE-DMIはDMIの感度を高め、不正確性を最小化することの間の柔軟なトレードオフを可能にする。
典型的な設定では、DMI感度は局所的な信号の変動を検出する能力を保ちながら、3倍改善することができる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳(メタデータ) (2024-09-11T11:12:26Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - Generative AI for Rapid Diffusion MRI with Improved Image Quality,
Reliability and Generalizability [3.6119644566822484]
我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。
成人健常者におけるHCPデータを用いた超解像実験を行った。
高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
論文 参考訳(メタデータ) (2023-03-10T03:39:23Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳(メタデータ) (2021-11-29T12:24:02Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - Denoising Single Voxel Magnetic Resonance Spectroscopy with Deep
Learning on Repeatedly Sampled In Vivo Data [17.291672952879022]
MRSは代謝情報を明らかにする非侵襲的なツールです。
MRSの課題の1つは、代謝産物の低濃度による比較的低い信号ノイズ比(SNR)である。
低SNR信号から高SNR信号へのマッピングを学習するための深層学習解読手法を提案する。
論文 参考訳(メタデータ) (2021-01-26T05:36:44Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - DEEPMIR: A DEEP neural network for differential detection of cerebral
Microbleeds and IRon deposits in MRI [3.0361336899303693]
脳小血腫(CMB)と基底核の非出血鉄鉱床は脳老化、血管疾患、神経変性疾患と関連している。
我々は,CMBと鉄鉱床のセグメンテーションに適した深層学習に基づくセグメンテーション法を開発した。
論文 参考訳(メタデータ) (2020-09-30T23:50:14Z) - Going deeper with brain morphometry using neural networks [18.851541271793085]
深部畳み込みニューラルネットワークは数秒で形態計測を推測できる。
我々はHerstonNetという名の脳形態計測のためのより正確で効率的なニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2020-09-07T07:57:13Z)
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。