論文の概要: AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with
Detail-Preserving Model-based Deep Learning
- arxiv url: http://arxiv.org/abs/2401.01693v1
- Date: Wed, 3 Jan 2024 11:54:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 14:08:17.859244
- Title: AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with
Detail-Preserving Model-based Deep Learning
- Title(参考訳): AID-DTI:詳細なモデルに基づくディープラーニングによる高密度拡散テンソルイメージング
- Authors: Wenxin Fan, Jian Cheng, Cheng Li, Xinrui Ma, Jing Yang, Juan Zou,
Ruoyou Wu, Qiegen Liu, Shanshan Wang
- Abstract要約: 本稿では,6つの測定値のみで高速かつ正確なDTIを実現するための新しい手法であるAID-DTI(Accelerating hIgh fiDelity Diffusion Imaging)を提案する。
AID-DTIは、新しく設計されたSingular Value Decomposition (SVD)ベースの正規化器を備えており、ネットワークトレーニング中にノイズを抑えながら、細部を効果的に捉えることができる。
HCP(Human Connectome Project)データによる実験結果から,提案手法は細粒度でDTIパラメータマップを推定し,定量的かつ定性的に3つの最先端手法を上回ることを示した。
- 参考スコア(独自算出の注目度): 15.504457554152513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has shown great potential in accelerating diffusion tensor
imaging (DTI). Nevertheless, existing methods tend to suffer from Rician noise
and detail loss in reconstructing the DTI-derived parametric maps especially
when sparsely sampled q-space data are used. This paper proposes a novel
method, AID-DTI (Accelerating hIgh fiDelity Diffusion Tensor Imaging), to
facilitate fast and accurate DTI with only six measurements. AID-DTI is
equipped with a newly designed Singular Value Decomposition (SVD)-based
regularizer, which can effectively capture fine details while suppressing noise
during network training. Experimental results on Human Connectome Project (HCP)
data consistently demonstrate that the proposed method estimates DTI parameter
maps with fine-grained details and outperforms three state-of-the-art methods
both quantitatively and qualitatively.
- Abstract(参考訳): 深層学習は拡散テンソルイメージング(DTI)の加速に大きな可能性を示している。
それにもかかわらず、既存の手法はリシアンノイズやdti由来のパラメトリック写像の再構成における詳細損失に苦しむ傾向がある。
本稿では,6つの測定値のみで高速かつ高精度なDTIを実現するために,AID-DTI(Accelerating hIgh fiDelity Diffusion Tensor Imaging)を提案する。
AID-DTIは新しく設計されたSingular Value Decomposition (SVD)ベースの正規化器を備えており、ネットワークトレーニング中にノイズを抑えながら、細部を効果的に捉えることができる。
ヒトコネクトーム計画(hcp)データを用いた実験の結果,提案手法がdtiパラメータマップを細粒度で推定し,定量的および定性的に3つの最先端手法を上回った。
関連論文リスト
- Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳(メタデータ) (2024-09-11T11:12:26Z) - Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
本研究では,データ駆動型最適化手法であるDoDTIを紹介する。
提案手法はDTIパラメータ推定における最先端性能を実現する。
特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
論文 参考訳(メタデータ) (2024-09-04T07:35:12Z) - One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。
近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。
我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文 参考訳(メタデータ) (2024-08-14T11:47:22Z) - AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-preserving Model-based Deep Learning [12.381694906601055]
AID-DTI(textbfAccelerating htextbfIgh fitextbfDelity textbfDiffusion textbfTensor textbfImaging)は6つの測定値だけで高速で正確なDTIを実現する新しい手法である。
AID-DTIは新たに設計されたSingular Value Decompositionベースの正規化器を備えており、細部を効果的に捉えることができる。
論文 参考訳(メタデータ) (2024-08-04T09:19:28Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳(メタデータ) (2024-03-20T04:58:03Z) - BOOT: Data-free Distillation of Denoising Diffusion Models with
Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。
知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。
本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T20:30:55Z) - TW-BAG: Tensor-wise Brain-aware Gate Network for Inpainting Disrupted
Diffusion Tensor Imaging [32.02624872108258]
本稿では,DTIスライスを塗布する3D-Wise-Aware Gate Network (TW-BAG)を提案する。
提案手法をHuman Connectome Project (HCP) データセット上で評価した。
実験の結果,提案手法は脳のDTI容積を再構築し,関連性のある臨床画像情報を復元できることが示唆された。
論文 参考訳(メタデータ) (2022-10-31T05:53:02Z) - SDnDTI: Self-supervised deep learning-based denoising for diffusion
tensor MRI [0.3694429692322631]
拡散強調画像(DWI)のノイズはDTI由来の微細構造パラメータの精度と精度を低下させる。
畳み込みニューラルネットワーク(CNN)を用いたディープラーニングに基づく画像認識は、優れた性能を持つが、CNNのトレーニングを監督するためには、高SNRデータを必要とすることが多い。
本研究では,DTIデータに付加的な高SNRデータを必要としない自己教師型深層学習手法「SDnDTI」を開発した。
論文 参考訳(メタデータ) (2021-11-14T01:36:51Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-26T04:04:21Z) - 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) - SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with
deep learning [12.797957906141363]
拡散重み付き画像(DWI)と対応するテンソル導出量マップとの非線形関係を学習するためのSuperDTIを提案する。
SuperDTIは、DWIのノイズや動きに非常に敏感なテンソルフィッティング手順をバイパスする。
論文 参考訳(メタデータ) (2020-02-03T22:15:27Z)
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。