論文の概要: SISMIK for brain MRI: Deep-learning-based motion estimation and
model-based motion correction in k-space
- arxiv url: http://arxiv.org/abs/2312.13220v1
- Date: Wed, 20 Dec 2023 17:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 14:42:42.702843
- Title: SISMIK for brain MRI: Deep-learning-based motion estimation and
model-based motion correction in k-space
- Title(参考訳): 脳MRIのためのSISMIK:k空間における深層学習に基づく動き推定とモデルに基づく動き補正
- Authors: Oscar Dabrowski (1 and 2), Jean-Luc Falcone (1), Antoine Klauser (2
and 3), Julien Songeon (2 and 3), Michel Kocher (4), Bastien Chopard (1),
Fran\c{c}ois Lazeyras (2 and 3), S\'ebastien Courvoisier (2 and 3) ((1)
Computer Science Department, Faculty of Science, University of Geneva,
Switzerland, (2) Department of Radiology and Medical Informatics, Faculty of
Medicine, University of Geneva, Switzerland, (3) CIBM Center for Biomedical
Imaging, MRI HUG-UNIGE, Geneva, Switzerland, (4) EPFL Biomedical Imaging
Group (BIG), Lausanne, Switzerland)
- Abstract要約: 本研究では,平面内剛体運動の問題に対処するために,運動量化と補正の振り返り手法を提案する。
我々は、深層ニューラルネットワークを用いてk空間の運動パラメータを推定し、モデルベースのアプローチで劣化した画像を復元し、「幻覚」を避ける。
提案手法はk空間のダイナミックレンジ全体で動作し,高調波の低SNRの影響を受けやすい。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: MRI, a widespread non-invasive medical imaging modality, is highly sensitive
to patient motion. Despite many attempts over the years, motion correction
remains a difficult problem and there is no general method applicable to all
situations. We propose a retrospective method for motion quantification and
correction to tackle the problem of in-plane rigid-body motion, apt for
classical 2D Spin-Echo scans of the brain, which are regularly used in clinical
practice. Due to the sequential acquisition of k-space, motion artifacts are
well localized. The method leverages the power of deep neural networks to
estimate motion parameters in k-space and uses a model-based approach to
restore degraded images to avoid ''hallucinations''. Notable advantages are its
ability to estimate motion occurring in high spatial frequencies without the
need of a motion-free reference. The proposed method operates on the whole
k-space dynamic range and is moderately affected by the lower SNR of higher
harmonics. As a proof of concept, we provide models trained using supervised
learning on 600k motion simulations based on motion-free scans of 43 different
subjects. Generalization performance was tested with simulations as well as
in-vivo. Qualitative and quantitative evaluations are presented for motion
parameter estimations and image reconstruction. Experimental results show that
our approach is able to obtain good generalization performance on simulated
data and in-vivo acquisitions.
- Abstract(参考訳): 非侵襲的な医療画像モダリティであるMRIは、患者の動きに非常に敏感である。
長年にわたる多くの試みにもかかわらず、運動補正は難しい問題であり、あらゆる状況に適用できる一般的な方法はない。
本研究では,脳の古典的2次元スピンエコースキャンに適応し,平面内剛体運動の問題に対処するための運動量化と補正の振り返り手法を提案する。
k-空間のシーケンシャルな獲得のため、運動アーティファクトはよく局所化されている。
この手法は、深層ニューラルネットワークのパワーを活用してk空間内の運動パラメータを推定し、モデルに基づくアプローチで劣化した画像を復元し、「幻覚」を避ける。
特筆すべき利点は、動きのない参照を必要とせずに高い空間周波数で発生する動きを推定できることである。
提案手法はk空間のダイナミックレンジ全体で動作し,高調波の低SNRの影響を受けやすい。
概念実証として、43種類の被験者の無運動スキャンに基づいて600kの動作シミュレーションを教師付き学習を用いて訓練したモデルを提供する。
一般化性能はシミュレーションとin-vivoで試験された。
動きパラメータ推定と画像再構成のための定性的および定量的評価を行った。
実験の結果,本手法はシミュレーションデータおよび生体内獲得において良好な一般化性能を得ることができた。
関連論文リスト
- JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI
with a Self-Calibrating Score-Based Diffusion Model [3.3053426917821134]
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。
論文 参考訳(メタデータ) (2023-10-14T17:11:25Z) - Exploring Epipolar Consistency Conditions for Rigid Motion Compensation
in In-vivo X-ray Microscopy [3.6741311433177484]
歯肉内X線顕微鏡(Intravital X-ray microscopy, XRM)は, 骨の微細構造変化の同定に重要である。
この方法の複雑さは、マウスの骨の高品質な3D再構成の必要性に起因している。
遠位偏極性条件 (ECC) を用いた運動補償は, 臨床CTでは有意な成績を示した。
論文 参考訳(メタデータ) (2023-03-01T12:18:03Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳(メタデータ) (2022-03-29T16:24:52Z) - Neural Computed Tomography [1.7188280334580197]
一連のプロジェクションの取得時の運動は、CT再構成において重要な運動アーティファクトにつながる可能性がある。
動作成果物から解放された時間分解画像を生成するための新しい再構成フレームワークであるNeuralCTを提案する。
論文 参考訳(メタデータ) (2022-01-17T18:50:58Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Rigid and non-rigid motion compensation in weight-bearing cone-beam CT
of the knee using (noisy) inertial measurements [4.4889330164039025]
不随意の主題運動は膝の重量に耐えるコーン ビームCTの人工物の主要な源です。
動作推定には慣性計測装置(IMU)を脚に装着することを提案する。
IMUに基づく3つの補正手法,すなわち剛性運動補正,非剛性2次元投影変形,非剛性3次元動的再構成を評価した。
論文 参考訳(メタデータ) (2021-02-24T17:19:32Z) - Inertial Measurements for Motion Compensation in Weight-bearing
Cone-beam CT of the Knee [6.7461735822055715]
膝のCTスキャン中の不随意運動は、再建されたボリュームのアーティファクトを引き起こすため、臨床診断には使用できない。
被験者の脚に慣性測定装置(IMU)を装着し,スキャン中の運動を測定する。
論文 参考訳(メタデータ) (2020-07-09T09:26:27Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - 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) - A Deep Learning Approach for Motion Forecasting Using 4D OCT Data [69.62333053044712]
我々は,OCTボリュームのストリームを用いたエンド・ツー・エンド動作予測と推定のための4次元時間深度学習を提案する。
提案手法は,全体の平均相関97.41%の動作予測を実現するとともに,従来の3D手法と比較して2.5倍の動作推定性能を向上する。
論文 参考訳(メタデータ) (2020-04-21T15:59:53Z) - Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT
Image Data [63.73263986460191]
特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。
OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。
モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
論文 参考訳(メタデータ) (2020-04-21T15:43:01Z)
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。