論文の概要: JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI with a Self-Calibrating Score-Based Diffusion Model

• arxiv url: http://arxiv.org/abs/2310.09625v1
• Date: Sat, 14 Oct 2023 17:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 19:23:26.259124
• Title: JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI with a Self-Calibrating Score-Based Diffusion Model
• Title（参考訳）: JSMoCo : 自己校正スコアベース拡散モデルを用いた並列MRIにおける関節コイル感度と運動補正
• Authors: Lixuan Chen, Xuanyu Tian, Jiangjie Wu, Ruimin Feng, Guoyan Lao, Yuyao Zhang, Hongjiang Wei
• Abstract要約: アンダーサンプルMRI再構成のための動きパラメータとコイル感度マップを共同で推定する。 本手法は, 動きの影響を受けない, 疎サンプリングされたk空間データから, 高品質MRI画像の再構成を行うことができる。
• 参考スコア（独自算出の注目度）: 3.3053426917821134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic Resonance Imaging (MRI) stands as a powerful modality in clinical diagnosis. However, it is known that MRI faces challenges such as long acquisition time and vulnerability to motion-induced artifacts. Despite the success of many existing motion correction algorithms, there has been limited research focused on correcting motion artifacts on the estimated coil sensitivity maps for fast MRI reconstruction. Existing methods might suffer from severe performance degradation due to error propagation resulting from the inaccurate coil sensitivity maps estimation. In this work, we propose to jointly estimate the motion parameters and coil sensitivity maps for under-sampled MRI reconstruction, referred to as JSMoCo. However, joint estimation of motion parameters and coil sensitivities results in a highly ill-posed inverse problem due to an increased number of unknowns. To address this, we introduce score-based diffusion models as powerful priors and leverage the MRI physical principles to efficiently constrain the solution space for this optimization problem. Specifically, we parameterize the rigid motion as three trainable variables and model coil sensitivity maps as polynomial functions. Leveraging the physical knowledge, we then employ Gibbs sampler for joint estimation, ensuring system consistency between sensitivity maps and desired images, avoiding error propagation from pre-estimated sensitivity maps to the reconstructed images. We conduct comprehensive experiments to evaluate the performance of JSMoCo on the fastMRI dataset. The results show that our method is capable of reconstructing high-quality MRI images from sparsely-sampled k-space data, even affected by motion. It achieves this by accurately estimating both motion parameters and coil sensitivities, effectively mitigating motion-related challenges during MRI reconstruction.
• Abstract（参考訳）: mri(mri)は臨床診断における強力なモダリティである。 しかし、MRIは、長い取得時間やモーション誘発アーティファクトの脆弱性といった課題に直面していることが知られている。 既存の多くの動き補正アルゴリズムの成功にもかかわらず、高速mri再構成のために推定コイル感度マップの運動アーチファクトの修正に焦点を絞った研究は限られている。 既存の手法では,不正確なコイル感度マップ推定による誤差伝搬による性能劣化が生じる可能性がある。 本研究では、JSMoCoと呼ばれるアンダーサンプルMRI再構成のための動きパラメータとコイル感度マップを共同で推定する。 しかし, 運動パラメータとコイル感度の同時推定により, 未知数の増加による逆問題が発生する。 そこで本研究では,mriの物理原理を活用し,この最適化問題に対する解空間を効率的に制約する手法を提案する。 具体的には、3つの学習可能な変数として剛体運動をパラメータ化し、モデルコイル感度マップを多項式関数とする。 物理的知識を活かしてgibbs samplerを共同推定に活用し,感度マップと所望の画像とのシステム一貫性を確保し,推定感度マップから再構成画像への誤り伝播を回避した。 我々は、高速MRIデータセット上でJSMoCoの性能を評価するための総合的な実験を行う。 提案手法は, 動きの影響を受けない, スパースサンプリングしたk空間データから, 高品質MRI画像の再構成が可能なことを示す。 運動パラメータとコイル感度を高精度に推定し,mri再構成時の運動関連課題を効果的に軽減する。

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)
• IM-MoCo: Self-supervised MRI Motion Correction using Motion-Guided Implicit Neural Representations [2.2265038612930663]
  磁気共鳴イメージング(MRI)における運動アーティファクトは、比較的長い取得時間によって生じる。 従来の動き補正法は、しばしば激しい動きに対処できず、歪んだり信頼性の低い結果をもたらす。 Inlicit Neural Representation (INR) を利用したインスタンスワイド動作補正パイプラインを提案する。 本手法は, 動作不良画像と比較して, 少なくとも1.5ドル以上の精度で分類結果を改善する。
  論文  参考訳（メタデータ） (2024-07-03T10:14:33Z)
• Attention-aware non-rigid image registration for accelerated MR imaging [10.47044784972188]
  我々は,MRIの完全サンプリングと高速化のために,非厳密なペアワイズ登録を行うことのできる,注目に敏感なディープラーニングベースのフレームワークを提案する。 我々は、複数の解像度レベルで、登録された画像ペア間の類似性マップを構築するために、局所的な視覚表現を抽出する。 本モデルでは, 異なるサンプリング軌道にまたがって, 安定かつ一貫した運動場を導出することを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:25:07Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• 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)
• 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)
• Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs [0.0]
  深部畳み込み神経回路網(深部CNN)を用いた動きアーチファクトの補正手法を提案する。 我々は、Deep CNNを用いて、より複雑な運動場に剛性運動補償の概念を一般化できることを示した。
  論文  参考訳（メタデータ） (2023-03-30T09:16:13Z)
• Data Consistent Deep Rigid MRI Motion Correction [9.551748050454378]
  運動アーティファクトはMRIの広範にわたる問題であり、人口レベルの画像研究において誤診や誤認を引き起こす。 現在の反射型剛性運動補正技術は、画像と運動パラメータの推定を共同で最適化する。 本稿では,厳密な動きパラメータのみを探索するために,深層ネットワークを用いて共同動画像パラメータ探索を削減した。
  論文  参考訳（メタデータ） (2023-01-25T00:21:31Z)
• CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [12.414040285543273]
  CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。 実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
  論文  参考訳（メタデータ） (2022-10-12T15:49:51Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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。