論文の概要: Generalized super-resolution 4D Flow MRI $\unicode{x2013}$ using ensemble learning to extend across the cardiovascular system

• arxiv url: http://arxiv.org/abs/2311.11819v2
• Date: Tue, 21 Nov 2023 20:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-11-23 12:05:39.966074
• Title: Generalized super-resolution 4D Flow MRI $\unicode{x2013}$ using ensemble learning to extend across the cardiovascular system
• Title（参考訳）: 超高分解能4D Flow MRI $\unicode{x2013}$ アンサンブル学習を用いた心血管系の拡張
• Abstract要約: 本研究の目的は,異種トレーニングセットと専用アンサンブル学習を組み合わせたSR 4D Flow MRIの一般化可能性を検討することである。 その結果,バッギングと積み重ねはドメイン間のSR性能を向上し,低分解能入力データから高分解能速度を正確に予測できることが示唆された。 以上の結果から,本研究はSR 4D Flow MRIの汎用的アプローチとして,様々な臨床領域にまたがるアンサンブル学習の有用性を示すものである。
• 参考スコア（独自算出の注目度）: 28.516235368817586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 4D Flow Magnetic Resonance Imaging (4D Flow MRI) is a non-invasive measurement technique capable of quantifying blood flow across the cardiovascular system. While practical use is limited by spatial resolution and image noise, incorporation of trained super-resolution (SR) networks has potential to enhance image quality post-scan. However, these efforts have predominantly been restricted to narrowly defined cardiovascular domains, with limited exploration of how SR performance extends across the cardiovascular system; a task aggravated by contrasting hemodynamic conditions apparent across the cardiovasculature. The aim of our study was to explore the generalizability of SR 4D Flow MRI using a combination of heterogeneous training sets and dedicated ensemble learning. With synthetic training data generated across three disparate domains (cardiac, aortic, cerebrovascular), varying convolutional base and ensemble learners were evaluated as a function of domain and architecture, quantifying performance on both in-silico and acquired in-vivo data from the same three domains. Results show that both bagging and stacking ensembling enhance SR performance across domains, accurately predicting high-resolution velocities from low-resolution input data in-silico. Likewise, optimized networks successfully recover native resolution velocities from downsampled in-vivo data, as well as show qualitative potential in generating denoised SR-images from clinical level input data. In conclusion, our work presents a viable approach for generalized SR 4D Flow MRI, with ensemble learning extending utility across various clinical areas of interest.
• Abstract（参考訳）: 4D Flow Magnetic Resonance Imaging (4D Flow MRI)は、心臓血管系の血流を定量化できる非侵襲的な計測技術である。 空間分解能と画像ノイズにより実用性は制限されているが、訓練された超解像(SR)ネットワークの導入は、画像の質を高める可能性がある。 しかし、これらの試みは主に狭義の心血管領域に限られており、SRの作用が心血管系全体にどのように広がるかは限定的である。 本研究の目的は,異種トレーニングセットと専用アンサンブル学習を組み合わせたSR 4D Flow MRIの一般化可能性を検討することである。 3つの異なる領域(心臓、大動脈、脳血管)にまたがる合成トレーニングデータを用いて、異なる畳み込みベースとアンサンブル学習者がドメインとアーキテクチャの関数として評価され、シリコの双方のパフォーマンスを定量化し、同じ3つのドメインから取得したインヴィオデータを得た。 その結果,バッギングと積み重ねはドメイン間のSR性能を向上し,低分解能入力データから高分解能速度を正確に予測できることがわかった。 同様に、最適化されたネットワークは、ダウンサンプリングされたin-vivoデータからネイティブ解像度の速度を回復し、臨床レベルの入力データからSR画像を生成する定性的ポテンシャルを示す。 以上の結果から,本研究はSR 4D Flow MRIの汎用的アプローチとして,様々な臨床領域にわたるアンサンブル学習の有用性を示す。

関連論文リスト

• Attention-guided super-resolution of 4D flow MRI in carotid arteries [0.0]
  本研究では,4次元フローMRIデータジオメトリの品質向上のために,マルチスケールの特徴抽出とアテンション機構を統合した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。 提案アーキテクチャは、畳み込みブロックアテンションモジュール(CBAM)を用いて、ネットワークを臨床的に関連する空間的特徴へ誘導し、低分解能入力におけるノイズを抑制する。
  論文  参考訳（メタデータ） (2026-09-04T08:48:32Z)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Recovering Diagnostic Value: Super-Resolution-Aided Echocardiographic Classification in Resource-Constrained Imaging [0.3937354192623676]
  超高分解能(SR)技術は、MRI(MRI)とCT(CT)スキャンの強化を約束している。 本研究では,低品質2次元心エコー図の分類精度を向上させるために,深層学習に基づくSRの可能性を検討する。 本稿では,高画質画像の高精細化と性能指標の大幅な向上を図るため,SRGAN(Super-Resolution Generative Adversarial Network)とSRResNet(Super-Resolution Residual Network)の2つのSRモデルを適用した。
  論文  参考訳（メタデータ） (2025-07-30T18:45:31Z)
• Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge [56.28872161153236]
  ディープラーニングモデルは、自動心臓磁気共鳴(CMR)解析において最先端の性能を達成した。 これらのモデルの有効性は、高品質でアーティファクトフリーな画像の可用性に大きく依存している。 この領域の研究を促進するために,MICCAI CMRxMotion チャレンジを組織した。
  論文  参考訳（メタデータ） (2025-07-25T11:12:21Z)
• Deep learning for temporal super-resolution 4D Flow MRI [34.90138772411514]
  本研究の目的は,時間的超解像4D Flow MRIのための残像ネットワークの実装と評価である。 患者固有のシリコモデル由来の合成4次元フローMRIデータと、in-vivoデータセットを用いてトレーニングおよび試験を行った。 以上の結果から, 時空間超解像4次元フローMRIにおけるデータ駆動型ニューラルネットワークの有用性が示唆された。
  論文  参考訳（メタデータ） (2025-01-15T13:01:47Z)
• 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)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• A Compact Implicit Neural Representation for Efficient Storage of Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
  fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。 Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
  論文  参考訳（メタデータ） (2023-11-30T05:54:37Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  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。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• 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)
• MyI-Net: Fully Automatic Detection and Quantification of Myocardial Infarction from Cardiovascular MRI Images [9.709445432765039]
  心臓発作 (Heart attack) または心筋梗塞(MI)は、心臓に血液を供給する動脈が突然閉塞されたときに起こる。 MIの定量化のための完全に自動化された「金の標準」は存在しない。 MyI-NetはMRI画像中のMIの検出と定量化のためのエンドツーエンドの完全自動システムである。
  論文  参考訳（メタデータ） (2022-12-28T06:34:38Z)
• Coarse-Super-Resolution-Fine Network (CoSF-Net): A Unified End-to-End Neural Network for 4D-MRI with Simultaneous Motion Estimation and Super-Resolution [21.75329634476446]
  我々は,高分解能ネットワーク(CoSF-Net)と呼ばれる新しいディープラーニングフレームワークを開発した。 既存のネットワークと最先端の3つのアルゴリズムと比較して、CoSF-Netは4D-MRIの呼吸相間の変形可能なベクトル場を正確に推定するだけでなく、解剖学的特徴を増強した4D-MRIの空間分解能も同時に改善した。
  論文  参考訳（メタデータ） (2022-11-21T01:42:51Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Non-invasive hemodynamic analysis for aortic regurgitation using computational fluid dynamics and deep learning [2.150638298922378]
  心臓血管血行動態の変化は大動脈逆流(AR)の発生と密接に関連している 4次元(4次元)流磁気共鳴画像(MRI)を用いて非侵襲的に測定できる。 しかし、解像度の低さは、しばしば4次元フローMRIと複雑なAR血行動態の限界によって生じる。 これを解決するために、計算流体力学シミュレーションを合成された4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。
  論文  参考訳（メタデータ） (2021-11-23T05:19:42Z)
• Segmentation of Cardiac Structures via Successive Subspace Learning with Saab Transform from Cine MRI [29.894633364282555]
  本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。 左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T14:50:48Z)
• 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)
• 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。