論文の概要: CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction
- arxiv url: http://arxiv.org/abs/2309.10836v1
- Date: Tue, 19 Sep 2023 15:14:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 18:14:41.656525
- Title: CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction
- Title（参考訳）: CMRxRecon:加速画像再構成競争のためのオープン心MRIデータセット
- Authors: Chengyan Wang, Jun Lyu, Shuo Wang, Chen Qin, Kunyuan Guo, Xinyu Zhang,
Xiaotong Yu, Yan Li, Fanwen Wang, Jianhua Jin, Zhang Shi, Ziqiang Xu, Yapeng
Tian, Sha Hua, Zhensen Chen, Meng Liu, Mengting Sun, Xutong Kuang, Kang Wang,
Haoran Wang, Hao Li, Yinghua Chu, Guang Yang, Wenjia Bai, Xiahai Zhuang, He
Wang, Jing Qin, Xiaobo Qu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.61209705638161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac magnetic resonance imaging (CMR) has emerged as a valuable diagnostic
tool for cardiac diseases. However, a limitation of CMR is its slow imaging
speed, which causes patient discomfort and introduces artifacts in the images.
There has been growing interest in deep learning-based CMR imaging algorithms
that can reconstruct high-quality images from highly under-sampled k-space
data. However, the development of deep learning methods requires large training
datasets, which have not been publicly available for CMR. To address this gap,
we released a dataset that includes multi-contrast, multi-view, multi-slice and
multi-coil CMR imaging data from 300 subjects. Imaging studies include cardiac
cine and mapping sequences. Manual segmentations of the myocardium and chambers
of all the subjects are also provided within the dataset. Scripts of
state-of-the-art reconstruction algorithms were also provided as a point of
reference. Our aim is to facilitate the advancement of state-of-the-art CMR
image reconstruction by introducing standardized evaluation criteria and making
the dataset freely accessible to the research community. Researchers can access
the dataset at https://www.synapse.org/#!Synapse:syn51471091/wiki/.
- Abstract（参考訳）: 心臓磁気共鳴画像(CMR)は、心臓疾患の診断ツールとして有用である。
しかし、cmrの限界は低速な撮像速度であり、患者を不快にさせ、画像にアーティファクトを導入する。
高度にサンプル化されたk空間データから高品質な画像を再構成できる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。
しかし、ディープラーニング手法の開発には、CMRでは公開されていない大規模なトレーニングデータセットが必要である。
このギャップに対処するために,300名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画像データを含むデータセットをリリースした。
イメージング研究には心臓血管とマッピングシーケンスが含まれる。
全ての被験者の心筋と室のマニュアルセグメンテーションもデータセット内に提供される。
最先端の復元アルゴリズムのスクリプトも参照ポイントとして提供された。
本研究の目的は、標準化された評価基準を導入し、データセットを研究コミュニティに自由にアクセスできるようにすることにより、最先端cmr画像再構成の促進を図ることである。
研究者はデータセットをhttps://www.synapse.org/#!
シナプス:syn51471091/wiki/。
関連論文リスト
- Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。
既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。
画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:54:04Z) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Attention Incorporated Network for Sharing Low-rank, Image and K-space Information during MR Image Reconstruction to Achieve Single Breath-hold Cardiac Cine Imaging [9.531827741901662]
我々は,MRI再構成のための新しい深層学習ネットワークに,低ランク,画像,k空間を含む複数の領域からの情報を埋め込むことを提案する。
A-LIKNetは並列ブランチ構造を採用し、k空間と画像領域で独立した学習を可能にする。
論文 参考訳（メタデータ） (2024-07-03T11:54:43Z) - CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [39.0162369912624]
CMRxRecon2024データセットは、最も大きく、最も多種多様な公開されたk空間データセットである。
健常者330名から取得され、一般的に使用されるモダリティ、解剖学的視点、臨床心臓MRIにおける獲得軌跡をカバーしている。
論文 参考訳（メタデータ） (2024-06-27T09:50:20Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Multimodal Representation Learning of Cardiovascular Magnetic Resonance
Imaging [11.887706872979697]
我々は、CMR画像と関連する心臓医の報告のシーケンスを共同で学習するマルチモーダル学習フレームワークである textbfCMRformer を提案する。
我々の研究はCMR研究の進歩を早める可能性があり、より正確で効果的な診断と治療につながる可能性がある。
論文 参考訳（メタデータ） (2023-04-16T02:35:27Z) - 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) - 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) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。