論文の概要: Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI
- arxiv url: http://arxiv.org/abs/2402.15939v1
- Date: Sat, 24 Feb 2024 23:56:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 16:09:49.738276
- Title: Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI
- Title(参考訳): 高速ダイナミック心臓MRIのための深部分離型時空間学習
- Authors: Zi Wang, Min Xiao, Yirong Zhou, Chengyan Wang, Naiming Wu, Yi Li,
Yiwen Gong, Shufu Chang, Yinyin Chen, Liuhong Zhu, Jianjun Zhou, Congbo Cai,
He Wang, Di Guo, Guang Yang, Xiaobo Qu
- Abstract要約: ダイナミックMRI(Dynamic MRI)は心臓の診断に不可欠である。
高速撮像を実現するため、k空間データをアンサンプできるが、画像再構成は高次元処理の大きな課題となる。
本研究は,高度に制限された学習データでも優れた次元再現型分離学習手法を応用した,新規で効率的な手法を提案する。
- 参考スコア(独自算出の注目度): 23.142320453773696
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic magnetic resonance imaging (MRI) plays an indispensable role in
cardiac diagnosis. To enable fast imaging, the k-space data can be undersampled
but the image reconstruction poses a great challenge of high-dimensional
processing. This challenge leads to necessitate extensive training data in many
deep learning reconstruction methods. This work proposes a novel and efficient
approach, leveraging a dimension-reduced separable learning scheme that excels
even with highly limited training data. We further integrate it with
spatiotemporal priors to develop a Deep Separable Spatiotemporal Learning
network (DeepSSL), which unrolls an iteration process of a reconstruction model
with both temporal low-rankness and spatial sparsity. Intermediate outputs are
visualized to provide insights into the network's behavior and enhance its
interpretability. Extensive results on cardiac cine datasets show that the
proposed DeepSSL is superior to the state-of-the-art methods visually and
quantitatively, while reducing the demand for training cases by up to 75%. And
its preliminary adaptability to cardiac patients has been verified through
experienced radiologists' and cardiologists' blind reader study. Additionally,
DeepSSL also benefits for achieving the downstream task of cardiac segmentation
with higher accuracy and shows robustness in prospective real-time cardiac MRI.
- Abstract(参考訳): ダイナミックMRI(Dynamic MRI)は心臓診断において不可欠である。
高速撮像を実現するため、k空間データをアンサンプできるが、画像再構成は高次元処理の大きな課題となる。
この課題は、多くのディープラーニング再構成手法で広範なトレーニングデータを必要としている。
本研究は,高度に制限されたトレーニングデータでも優れた次元分割学習方式を活用し,新規かつ効率的な手法を提案する。
さらに、時間的低ランク度と空間空間空間幅の両方で再構成モデルの繰り返し処理をアンロールするDeep Separable Spatiotemporal Learning Network(DeepSSL)を開発した。
中間出力はネットワークの動作に関する洞察を提供し、その解釈性を高めるために可視化される。
心血管データセットの広範囲な結果から,DeepSSLは最先端の手法よりも視覚的,定量的に優れているとともに,トレーニングケースの需要を最大75%削減できることがわかった。
心疾患患者に対する予備的適応性は、経験豊富な放射線科医と心臓科医の盲検者調査によって検証されている。
さらに、DeepSSLは、より精度の高い心臓セグメンテーションの下流タスクを達成することの利点もあり、将来的なリアルタイム心MRIにおいて堅牢性を示す。
関連論文リスト
- Learning to sample in Cartesian MRI [1.2432046687586285]
患者の快適さを高め、検査コストを減らし、スループットを向上させるため、臨床環境ではスキャン時間を短縮することが重要である。
圧縮センシング(CS)とディープラーニングの最近の進歩は、アンダーサンプルデータから高品質な画像を再構成することで、MRIの高速化を可能にする。
この論文は、カルテシアンMRIの文脈におけるこのギャップに対処する2つのアプローチを探求する。
論文 参考訳(メタデータ) (2023-12-07T14:38:07Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning [11.809564612082935]
ディープラーニング手法は、kt-SENSE取得戦略の最適化と、非ゲートkt-SENSE再構築品質の向上に役立つ。
そこで本研究では,kt-SENSEスタイルの取得したデータをインビボの広範囲なデータセットを用いて再構成するための教師付きディープラーニングネットワークについて検討する。
本研究は,母体解剖の詳細な描写を大規模に再現するが,胎児心臓の動的特性は低発現であることを示す。
論文 参考訳(メタデータ) (2023-08-15T17:22:42Z) - Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing
Cardiac MRI Reconstruction [21.261567937245808]
本研究は、心臓を暗黙のニューラルネットワークで表現し、心臓の表現が測定値と整合するようにネットワークを適合させる再構築手法を提案する。
提案手法は,最先端の未訓練畳み込みニューラルネットワークと同等あるいはわずかに優れた画像品質を実現する。
論文 参考訳(メタデータ) (2023-05-11T14:14:30Z) - 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) - Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。
現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。
ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文 参考訳(メタデータ) (2021-09-23T15:15:21Z) - 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) - Efficient and Phase-aware Video Super-resolution for Cardiac MRI [23.5319835123499]
我々は,CMRビデオの超解像問題を解決するために,新しいエンドツーエンドのトレーニング可能なネットワークを提案する。
心的知識をモデルに組み込んで時間的情報の利用を支援する。
論文 参考訳(メタデータ) (2020-05-21T13:29:03Z) - High-Fidelity Accelerated MRI Reconstruction by Scan-Specific
Fine-Tuning of Physics-Based Neural Networks [3.1498833540989413]
高分解能MRIでは、長時間のスキャンが依然として課題である。
ディープラーニングは、データから直接学習されるデータ駆動型正規化器を提供することによって、MRIの再構築を加速する強力な手段として登場した。
本研究では,トランスファーラーニング手法を用いて,これらレギュレータを自己超越的手法を用いて新しい被験者に微調整する手法を提案する。
論文 参考訳(メタデータ) (2020-05-12T05:10:10Z) - 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) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳(メタデータ) (2020-01-14T22:55:03Z)
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。