論文の概要: Fully Convolutional Slice-to-Volume Reconstruction for Single-Stack MRI

• arxiv url: http://arxiv.org/abs/2312.03102v2
• Date: Wed, 28 Feb 2024 15:58:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 18:10:52.233133
• Title: Fully Convolutional Slice-to-Volume Reconstruction for Single-Stack MRI
• Title（参考訳）: シングルスタックMRIにおける完全畳み込みスライス・ツー・ヴォーム再構成
• Authors: Sean I. Young, Ya\"el Balbastre, Bruce Fischl, Polina Golland, Juan Eugenio Iglesias
• Abstract要約: 磁気共鳴イメージング(MRI)において、スライス・ツー・ボリューム再構成(SVR)とは、未知の3次元磁気共鳴体積を運動によって破壊された2次元スライススタックからコンピュータで再構成することである。 本稿では,従来の作業の欠点を克服するSVR手法を提案する。 成人脳と胎児脳のSVR実験により、我々の完全畳み込み法は以前のSVR法より2倍正確であることが示された。
• 参考スコア（独自算出の注目度）: 9.512063866033126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In magnetic resonance imaging (MRI), slice-to-volume reconstruction (SVR) refers to computational reconstruction of an unknown 3D magnetic resonance volume from stacks of 2D slices corrupted by motion. While promising, current SVR methods require multiple slice stacks for accurate 3D reconstruction, leading to long scans and limiting their use in time-sensitive applications such as fetal fMRI. Here, we propose a SVR method that overcomes the shortcomings of previous work and produces state-of-the-art reconstructions in the presence of extreme inter-slice motion. Inspired by the recent success of single-view depth estimation methods, we formulate SVR as a single-stack motion estimation task and train a fully convolutional network to predict a motion stack for a given slice stack, producing a 3D reconstruction as a byproduct of the predicted motion. Extensive experiments on the SVR of adult and fetal brains demonstrate that our fully convolutional method is twice as accurate as previous SVR methods. Our code is available at github.com/seannz/svr.
• Abstract（参考訳）: mriでは、slic-to-volume reconstruction(svr)は、運動によって破損した2次元スライスのスタックから未知の3次元磁気共鳴ボリュームの計算再構成を指す。 将来性はあるものの、現在のSVR法では正確な3D再構成のために複数のスライススタックが必要である。 本稿では,先行研究の欠点を克服し,極端にスライス間運動が存在する場合に最先端の再構築を行うsvr手法を提案する。 近年のシングルビュー深度推定手法の成功に触発されて,svrをシングルスタック動作推定タスクとして定式化し,与えられたスライススタックの動作スタックを予測する完全畳み込みネットワークを訓練し,予測動作の副産物として3次元再構成を行う。 成人および胎児脳のsvrに関する広範囲な実験は、我々の完全畳み込み法が従来のsvr法より2倍正確であることを示している。 私たちのコードはgithub.com/seannz/svrで入手できる。

関連論文リスト

• MotionTTT: 2D Test-Time-Training Motion Estimation for 3D Motion Corrected MRI [24.048132427816704]
  高精度な動き推定のための深層学習に基づくテスト時間学習法を提案する。 本手法は, 単純な信号とニューラルネットワークモデルに対して, 動作パラメータを確実に再構成できることを示す。
  論文  参考訳（メタデータ） (2024-09-14T08:51:33Z)
• A self-attention model for robust rigid slice-to-volume registration of functional MRI [4.615338063719135]
  fMRIスキャン中の頭部の動きは、歪み、偏りの分析、コストの増加をもたらす。 本稿では,2次元fMRIスライスを3次元参照ボリュームに整列するエンド・ツー・エンドSVRモデルを提案する。 本モデルは,最先端のディープラーニング手法と比較して,アライメント精度の面での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-04-06T08:02:18Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• 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)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• SVoRT: Iterative Transformer for Slice-to-Volume Registration in Fetal Brain MRI [5.023544755441559]
  合成変換データに基づいて学習したトランスフォーマーを用いた新しいスライス・ツー・ボリューム登録法を提案する。 本モデルでは,スライス間の関係を自動的に検出し,他のスライス情報を用いてスライス間の変換を予測する。 また, 重度胎児運動下での3次元再構成の精度向上のためのモデルの有効性を示すために, 実世界のMRIデータを用いた実験を行った。
  論文  参考訳（メタデータ） (2022-06-22T01:55:42Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
  核磁気共鳴画像(MRI)における深層学習の驚くべき性能 最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。 我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
  論文  参考訳（メタデータ） (2021-12-09T06:39:55Z)
• 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)

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。