論文の概要: AngioMoCo: Learning-based Motion Correction in Cerebral Digital
Subtraction Angiography
- arxiv url: http://arxiv.org/abs/2310.05445v1
- Date: Mon, 9 Oct 2023 06:42:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 07:19:31.462464
- Title: AngioMoCo: Learning-based Motion Correction in Cerebral Digital
Subtraction Angiography
- Title(参考訳): AngioMoCo:脳デジタルサブトラクション血管造影における学習に基づく運動補正
- Authors: Ruisheng Su, Matthijs van der Sluijs, Sandra Cornelissen, Wim van
Zwam, Aad van der Lugt, Wiro Niessen, Danny Ruijters, Theo van Walsum, and
Adrian Dalca
- Abstract要約: 脳X線デジタルサブトラクション血管造影(DSA)は、血流を可視化し、血管内治療を導くための標準的な画像技術である。
DSAの品質は、取得中に身体の動きに負の影響を受け、診断値が低下する。
我々は,X線アンギオグラフィーから運動補償DSAシーケンスを生成する学習ベースのフレームワークAngioMoCoを提案する。
- 参考スコア(独自算出の注目度): 1.8537989329832776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cerebral X-ray digital subtraction angiography (DSA) is the standard imaging
technique for visualizing blood flow and guiding endovascular treatments. The
quality of DSA is often negatively impacted by body motion during acquisition,
leading to decreased diagnostic value. Time-consuming iterative methods address
motion correction based on non-rigid registration, and employ sparse key points
and non-rigidity penalties to limit vessel distortion. Recent methods alleviate
subtraction artifacts by predicting the subtracted frame from the corresponding
unsubtracted frame, but do not explicitly compensate for motion-induced
misalignment between frames. This hinders the serial evaluation of blood flow,
and often causes undesired vasculature and contrast flow alterations, leading
to impeded usability in clinical practice. To address these limitations, we
present AngioMoCo, a learning-based framework that generates motion-compensated
DSA sequences from X-ray angiography. AngioMoCo integrates contrast extraction
and motion correction, enabling differentiation between patient motion and
intensity changes caused by contrast flow. This strategy improves registration
quality while being substantially faster than iterative elastix-based methods.
We demonstrate AngioMoCo on a large national multi-center dataset (MR CLEAN
Registry) of clinically acquired angiographic images through comprehensive
qualitative and quantitative analyses. AngioMoCo produces high-quality
motion-compensated DSA, removing motion artifacts while preserving contrast
flow. Code is publicly available at https://github.com/RuishengSu/AngioMoCo.
- Abstract(参考訳): 脳X線デジタルサブトラクション血管造影(DSA)は、血流を可視化し血管内治療を導く標準的な画像技術である。
dsaの品質は、しばしば取得中の体の動きに悪影響を与え、診断価値が低下する。
時間消費反復法は、非剛性登録に基づく動作補正に対処し、血管の歪みを制限するために疎鍵点と非剛性ペナルティを用いる。
最近の手法では、減算されたフレームを対応する減算されたフレームから予測することで減算アーティファクトを緩和するが、フレーム間の動きによる不一致を明示的に補償しない。
これにより、血流の連続的な評価が妨げられ、しばしば望ましくない血管や造影剤の流れの変化が引き起こされ、臨床での使い勝手が損なわれる。
この制限に対処するために,x線アンギオグラフィからdsaシーケンスを生成する学習ベースのフレームワークであるangiomocoを提案する。
AngioMoCoはコントラスト抽出と運動補正を統合し、コントラストフローによる患者の動きと強度変化の区別を可能にする。
この戦略は、反復エラストックスベースのメソッドよりも大幅に高速であると同時に、登録品質を向上させる。
臨床に取得した血管造影画像の大規模な全国多施設データセット(MR CLEAN Registry)上で,総合的質的,定量的解析によりAngioMoCoを実証した。
AngioMoCoは高品質なモーション補償DSAを生成し、コントラストフローを保持しながら、モーションアーティファクトを除去する。
コードはhttps://github.com/RuishengSu/AngioMoCo.comで公開されている。
関連論文リスト
- Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital
Subtraction Angiography [37.44819725897024]
本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。
本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
論文 参考訳(メタデータ) (2024-02-15T00:29:53Z) - TAI-GAN: A Temporally and Anatomically Informed Generative Adversarial
Network for early-to-late frame conversion in dynamic cardiac PET inter-frame
motion correction [15.380659401728735]
本稿では,TAI-GAN(Temporally and Anatomically Informed Generative Adrial Network)と呼ばれる新しい手法を提案する。
提案手法は臨床用82-Rb PETデータセットを用いて評価し, この結果から, TAI-GANは実際の参照フレームに匹敵する高画質の変換早期フレームを生成できることが示唆された。
論文 参考訳(メタデータ) (2024-02-14T20:39:07Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Annealed Score-Based Diffusion Model for MR Motion Artifact Reduction [37.41561581618164]
モーションアーティファクトリダクションは、MRイメージングにおいて重要な研究トピックの1つである。
我々はMRIの動作アーチファクト低減のためのアニール式スコアベース拡散モデルを提案する。
実験により, 提案手法は, シミュレーションおよび生体内動作アーティファクトの両方を効果的に低減することを確認した。
論文 参考訳(メタデータ) (2023-01-08T12:16:08Z) - Motion Correction and Volumetric Reconstruction for Fetal Functional
Magnetic Resonance Imaging Data [3.690756997172894]
運動補正は胎児脳の機能的磁気共鳴イメージング(fMRI)において重要な前処理ステップである。
胎児のfMRIに対する現在の動作補正手法は、特定の取得時点から1つの3Dボリュームを選択する。
本稿では,外乱運動補正を用いて高解像度の基準体積を推定する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T19:11:16Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Inertial Measurements for Motion Compensation in Weight-bearing
Cone-beam CT of the Knee [6.7461735822055715]
膝のCTスキャン中の不随意運動は、再建されたボリュームのアーティファクトを引き起こすため、臨床診断には使用できない。
被験者の脚に慣性測定装置(IMU)を装着し,スキャン中の運動を測定する。
論文 参考訳(メタデータ) (2020-07-09T09:26:27Z) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳(メタデータ) (2020-06-24T15:25:11Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - 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。