論文の概要: Deep-learning-based acceleration of MRI for radiotherapy planning of
pediatric patients with brain tumors
- arxiv url: http://arxiv.org/abs/2311.13485v1
- Date: Wed, 22 Nov 2023 16:01:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 14:42:38.377871
- Title: Deep-learning-based acceleration of MRI for radiotherapy planning of
pediatric patients with brain tumors
- Title（参考訳）: 深層学習による脳腫瘍患者の放射線治療計画のためのMRIの加速
- Authors: Shahinur Alam, Jinsoo Uh, Alexander Dresner, Chia-ho Hua, and Khaled
Khairy
- Abstract要約: RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。
DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
- 参考スコア（独自算出の注目度）: 39.58317527488534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging (MRI) is a non-invasive diagnostic and
radiotherapy (RT) planning tool, offering detailed insights into the anatomy of
the human body. The extensive scan time is stressful for patients, who must
remain motionless in a prolonged imaging procedure that prioritizes reduction
of imaging artifacts. This is challenging for pediatric patients who may
require measures for managing voluntary motions such as anesthesia. Several
computational approaches reduce scan time (fast MRI), by recording fewer
measurements and digitally recovering full information via post-acquisition
reconstruction. However, most fast MRI approaches were developed for diagnostic
imaging, without addressing reconstruction challenges specific to RT planning.
In this work, we developed a deep learning-based method (DeepMRIRec) for MRI
reconstruction from undersampled data acquired with RT-specific receiver coil
arrangements. We evaluated our method against fully sampled data of T1-weighted
MR images acquired from 73 children with brain tumors/surgical beds using loop
and posterior coils (12 channels), with and without applying virtual
compression of coil elements. DeepMRIRec reduced scanning time by a factor of
four producing a structural similarity score surpassing the evaluated
state-of-the-art method (0.960 vs 0.896), thereby demonstrating its potential
for accelerating MRI scanning for RT planning.
- Abstract（参考訳）: MRI(Magnetic Resonance Imaging)は非侵襲的な診断・放射線治療(RT)計画ツールであり、人体の解剖学に関する詳細な知見を提供する。
広範囲にわたるスキャン時間は、画像アーティファクトの減少を優先する長期の撮像手順において、動かない患者にとってストレスを伴う。
麻酔などの随意運動を管理するための措置を必要とする小児患者にとって、これは困難である。
いくつかの計算手法はスキャン時間(高速MRI)を減らし、測定回数を減らし、取得後の再構築を通じて全情報をデジタル的に復元する。
しかし、ほとんどの高速mriアプローチはrt計画に特有の再構成課題に対処せずに診断イメージングのために開発された。
本研究では,RT固有のレシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成のためのディープラーニングベース手法(DeepMRIRec)を開発した。
脳腫瘍・手術床症例73例のT1強調MR画像の完全サンプリングデータについて,ループおよび後部コイル(12チャンネル)を用いて検討し,コイル要素の仮想圧縮を行なわずに検討した。
DeepMRIRecは、評価された最先端法(0.960 vs 0.896)を超える構造類似度スコアを4倍に削減し、RT計画のためのMRIスキャンの高速化の可能性を示した。
関連論文リスト
- 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) - Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with
Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。
提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文 参考訳（メタデータ） (2023-10-31T16:39:56Z) - Unsupervised reconstruction of accelerated cardiac cine MRI using Neural
Fields [3.684766600912547]
心臓血管MRI(NF-cMRI)における暗黙的神経野表現に基づく教師なしアプローチを提案する。
提案手法は,26xおよび52xのアンダーサンプリング因子に対するゴールデンアングル・ラジアルマルチコイルのアンダーサンプリングにおいて評価された。
論文 参考訳（メタデータ） (2023-07-24T23:31:36Z) - 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) - 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) - 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) - Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised
Deep Learning [0.487576911714538]
自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。
その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。
後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
論文 参考訳（メタデータ） (2021-05-10T17:36:27Z) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - 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)
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。