論文の概要: Contrast-Agnostic Groupwise Registration by Robust PCA for Quantitative Cardiac MRI

• arxiv url: http://arxiv.org/abs/2311.01916v1
• Date: Fri, 3 Nov 2023 13:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 14:13:09.563612
• Title: Contrast-Agnostic Groupwise Registration by Robust PCA for Quantitative Cardiac MRI
• Title（参考訳）: 定量的心臓MRIにおけるロバストPCAによるコントラスト非依存的グループ登録
• Authors: Xinqi Li, Yi Zhang, Yidong Zhao, Jan van Gemert, Qian Tao
• Abstract要約: 定量的な心臓MRIシークエンス内の全てのベースライン画像の同時登録は、地図の精度と精度に不可欠である。 定量的心臓MRIを低ランク・スパース成分に分解する新しい運動補正フレームワークを提案する。 提案手法は, rPCAを導入することなく, ベースライン方式による登録性能を効果的に向上することを示す。
• 参考スコア（独自算出の注目度）: 15.778560241913674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative cardiac magnetic resonance imaging (MRI) is an increasingly important diagnostic tool for cardiovascular diseases. Yet, co-registration of all baseline images within the quantitative MRI sequence is essential for the accuracy and precision of quantitative maps. However, co-registering all baseline images from a quantitative cardiac MRI sequence remains a nontrivial task because of the simultaneous changes in intensity and contrast, in combination with cardiac and respiratory motion. To address the challenge, we propose a novel motion correction framework based on robust principle component analysis (rPCA) that decomposes quantitative cardiac MRI into low-rank and sparse components, and we integrate the groupwise CNN-based registration backbone within the rPCA framework. The low-rank component of rPCA corresponds to the quantitative mapping (i.e. limited degree of freedom in variation), while the sparse component corresponds to the residual motion, making it easier to formulate and solve the groupwise registration problem. We evaluated our proposed method on cardiac T1 mapping by the modified Look-Locker inversion recovery (MOLLI) sequence, both before and after the Gadolinium contrast agent administration. Our experiments showed that our method effectively improved registration performance over baseline methods without introducing rPCA, and reduced quantitative mapping error in both in-domain (pre-contrast MOLLI) and out-of-domain (post-contrast MOLLI) inference. The proposed rPCA framework is generic and can be integrated with other registration backbones.
• Abstract（参考訳）: 定量的心磁気共鳴画像(MRI)は、心臓血管疾患の診断ツールとしてますます重要になっている。 しかし、定量的MRIシーケンス内の全てのベースライン画像の共登録は、定量的マップの精度と精度に不可欠である。 しかし、定量的な心臓mriシーケンスから全てのベースライン画像を共登録することは、心臓と呼吸の運動と組み合わせて、強度とコントラストが同時に変化するため、非自明な作業である。 この課題に対処するために, 定量的心臓MRIを低ランク, スパース成分に分解するロバスト原理成分分析(rPCA)に基づく新しい動作補正フレームワークを提案し, グループワイドCNNベースの登録バックボーンをrPCAフレームワークに統合する。 rPCAの低ランク成分は定量的なマッピング(つまり変動の自由度に制限がある)に対応し、スパース成分は残留運動に対応し、グループ登録問題の定式化と解決が容易になる。 ガドリニウム造影剤投与前後の心t1マッピング法を改良型ルック・ロッカー・インバージョン・リカバリ(molli)により検討した。 提案手法は,rPCAを導入することなく,ベースライン方式の登録性能を効果的に向上し,インドメイン(事前コントラストMOLLI)とアウトオブドメイン(後コントラストMOLLI)の両方での量的マッピング誤差を低減した。 提案されているrPCAフレームワークは汎用的であり、他の登録バックボーンと統合することができる。

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)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Deep-learning-based groupwise registration for motion correction of cardiac $T_1$ mapping [7.69096935566025]
  テンプレートの必要性を省略し,すべてのベースラインイメージを同時に登録する,新しいディープラーニングベースのグループワイド登録フレームワークを提案する。 我々は,PCA-Relax''とよばれる手法と,他のベースライン法を社内の心臓MRIデータセット上で広範囲に評価した。 提案したPCA-Relaxは, 確立されたベースライン上での登録とマッピングの性能をさらに向上させた。
  論文  参考訳（メタデータ） (2024-06-18T10:00:23Z)
• Deep Learning for Automatic Strain Quantification in Arrhythmogenic Right Ventricular Cardiomyopathy [0.0]
  CMRIによる心臓運動の定量化は、不整脈性右室心筋症(ARVC)診断の不可欠な部分である。 Inlicit Neural Representations (INR) とディープラーニングを用いた心臓運動自動評価法を開発した。 以上の結果から,スライス間アライメントと超解像ボリュームの生成と,2つの心像の同時解析が相まって,登録性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-11-24T12:55:36Z)
• Deformable Groupwise Registration Using a Locally Low-Rank Dissimilarity Metric for Myocardial Strain Estimation from Cardiac Cine MRI Images [1.1938237087895653]
  提案手法は,グループワイド登録に基づく2段階戦略により特徴点を追跡する。 グループワイズ-LLRは,他の手法と比較して,より正確な追跡とひずみ推定を実現した。
  論文  参考訳（メタデータ） (2023-11-13T14:06:44Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Myocardial Segmentation of Cardiac MRI Sequences with Temporal Consistency for Coronary Artery Disease Diagnosis [12.53412028532286]
  本研究では,左室腔,右室腔,心筋の心臓MRI(CMR)スキャン画像のシークエンスのための心筋セグメンテーションフレームワークを提案する。 我々のフレームワークは、Dice係数の最大2%のセグメンテーション精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-12-29T01:54:09Z)
• 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)

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。