論文の概要: Deep Learning-based Intraoperative MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2401.12771v1
- Date: Tue, 23 Jan 2024 13:57:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 15:32:08.211610
- Title: Deep Learning-based Intraoperative MRI Reconstruction
- Title（参考訳）: 深層学習に基づく術中MRI画像再構成
- Authors: Jon Andr\'e Ottesen, Tryggve Storas, Svein Are Sirirud Vatnehol,
Grethe L{\o}vland, Einar O. Vik-Mo, Till Schellhorn, Karoline Skogen,
Christopher Larsson, Atle Bj{\o}rnerud, Inge Rasmus Groote-Eindbaas, Matthan
W.A. Caan
- Abstract要約: 深層学習(DL)モデルは,iMRIプロトコルのデータを模倣するために,高速MRIニューロデータセットを用いて訓練された。
従来の圧縮感 (CS) 法と訓練されたDL再構成法との比較検討を行った。
読影者1,2,3症例のうち,33/40例,39/40例,8例のCS再建に対して,DL再建は好意的あるいは好意的であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To evaluate the quality of deep learning reconstruction for
prospectively accelerated intraoperative magnetic resonance imaging (iMRI)
during resective brain tumor surgery.
Materials and Methods: Accelerated iMRI was performed during brain surgery
using dual surface coils positioned around the area of resection. A deep
learning (DL) model was trained on the fastMRI neuro dataset to mimic the data
from the iMRI protocol. Evaluation was performed on imaging material from 40
patients imaged between 01.11.2021 - 01.06.2023 that underwent iMRI during
tumor resection surgery. A comparative analysis was conducted between the
conventional compressed sense (CS) method and the trained DL reconstruction
method. Blinded evaluation of multiple image quality metrics was performed by
two working neuro-radiologists and a working neurosurgeon on a 1 to 5 Likert
scale (1=non diagnostic, 2=poor, 3=acceptable, 4=good, 5=excellent), and the
favored reconstruction variant.
Results: The DL reconstruction was strongly favored or favored over the CS
reconstruction for 33/40, 39/40, and 8/40 of cases for reader 1, 2, and 3,
respectively. Two of three readers consistently assigned higher ratings for the
DL reconstructions, and the DL reconstructions had a higher score than their
respective CS counterparts for 72%, 72%, and 14% of the cases for reader 1, 2,
and 3, respectively. Still, the DL reconstructions exhibited shortcomings such
as a striping artifact and reduced signal.
Conclusion: DL shows promise to allow for high-quality reconstructions of
intraoperative MRI with equal to or improved perceived spatial resolution,
signal-to-noise ratio, diagnostic confidence, diagnostic conspicuity, and
spatial resolution compared to compressed sense.
- Abstract（参考訳）: 目的: 切除脳腫瘍手術における術中磁気共鳴画像(iMRI)の深部学習再建の質を評価すること。
材料と方法: 切除領域の周囲に2面コイルを配置し, 脳外科手術中に加速iMRIを行った。
深層学習(DL)モデルは,iMRIプロトコルのデータを模倣するために,高速MRIニューロデータセットを用いて訓練された。
腫瘍摘出術中に imri を施行した 01.11.2021 ～ 01.06.2023 の40 例から画像検査を行った。
従来の圧縮感覚法(cs法)と訓練されたdl再建法との比較分析を行った。
2名の作業神経放射線科医と1～5名の作業神経外科医(診断は1-non, 2=poor, 3=acceptable, 4=good, 5=excellent)により,複数の画像品質指標のブラインド評価を行った。
結果: 読影者1, 2, 3例のうち, 33/40例, 39/40例, 8/40例に対して, DL再建は好意的あるいは好意的であった。
3人の読者のうち2人は、dl再建に一貫して高い評価を与えており、dl再建は、それぞれ72%、72%、そして14%が読者1、2、3である。
それでも、DL再建では、ストリップアーティファクトや信号の低減といった欠点が見られた。
結語: DLは, 空間分解能, 信号-雑音比, 診断信頼性, 診断特異度, 空間分解能と同等か改善した, 術中MRIの高品質再構成を可能にすることを約束する。
関連論文リスト
- Enhancing Deep Learning-Driven Multi-Coil MRI Reconstruction via Self-Supervised Denoising [4.6017417632210655]
自己教師型認知は、深層学習(DL)に基づく再構成手法を訓練するための前処理のステップである。
以上の結果から, denoising は DL-based MRI 再構成法の有効性を向上させる上で必要不可欠な前処理技術であることが示唆された。
論文 参考訳（メタデータ） (2024-11-19T23:17:09Z) - Deep-ER: Deep Learning ECCENTRIC Reconstruction for fast high-resolution neurometabolic imaging [3.3771864230870072]
変化した神経代謝は、多くの神経疾患や脳がんにおいて重要な病理機構である。
ディープラーニングECCENTRIC再構成は、従来の方法よりも600倍高速な再構築を提供する。
論文 参考訳（メタデータ） (2024-09-26T21:20:51Z) - Paired Conditional Generative Adversarial Network for Highly Accelerated Liver 4D MRI [8.880834588879525]
本研究では,4次元MRI再構成時間を短縮するReconstruct Paired Generative Adrial Network (Re-Con-GAN)を提案する。
ResNet9, UNet, Restructation Swin Transformerの3種類のネットワークがジェネレータとして探索された。
Re-Con-GANはCS/UNetモデルと比較してPSNR、SSIM、RMSEのスコアを一貫して達成した。
論文 参考訳（メタデータ） (2024-05-20T20:14:23Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Deep-learning-based acceleration of MRI for radiotherapy planning of
pediatric patients with brain tumors [39.58317527488534]
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。
論文 参考訳（メタデータ） (2023-11-22T16:01:44Z) - 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) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - Assessment of Data Consistency through Cascades of Independently
Recurrent Inference Machines for fast and robust accelerated MRI
reconstruction [0.0]
データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。
本研究は、非ループ最適化によりDCを評価するために、CIRIM (Independently Recurrent Inference Machines) のカスケードを提案する。
E2EVNは直流を明示的に定式化する必要があるのに対し、直流を暗黙的に強制する場合はCIRIMが最善であることを示す。
論文 参考訳（メタデータ） (2021-11-30T15:34:30Z) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z)
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。