論文の概要: Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI
- arxiv url: http://arxiv.org/abs/2402.15939v2
- Date: Wed, 02 Oct 2024 16:42:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:16:36.381287
- 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法
- 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: MRIは心臓診断において欠かせない役割を担っている。高速イメージングを可能にするため、k空間データをアンサンプすることができる。
この課題は、ディープラーニング再構築手法における広範なトレーニングデータを必要とする。
本研究では,高度に制限された学習データであっても,例外的に良好に動作可能な次元分離型学習手法を活用する,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): 22.7085949508143
- License:
- 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 necessitates extensive training data in deep learning reconstruction methods. In this work, we propose a novel and efficient approach, leveraging a dimension-reduced separable learning scheme that can perform exceptionally well even with highly limited training data. We design this new approach by incorporating spatiotemporal priors into the development of a Deep Separable Spatiotemporal Learning network (DeepSSL), which unrolls an iteration process of a 2D spatiotemporal reconstruction model with both temporal low-rankness and spatial sparsity. Intermediate outputs can also be visualized to provide insights into the network behavior and enhance interpretability. Extensive results on cardiac cine datasets demonstrate that the proposed DeepSSL surpasses state-of-the-art methods both visually and quantitatively, while reducing the demand for training cases by up to 75%. Additionally, its preliminary adaptability to unseen cardiac patients has been verified through a blind reader study conducted by experienced radiologists and cardiologists. Furthermore, DeepSSL enhances the accuracy of the downstream task of cardiac segmentation and exhibits robustness in prospectively undersampled real-time cardiac MRI.
- Abstract(参考訳): 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。
この課題は、ディープラーニング再構築手法における広範なトレーニングデータを必要とする。
そこで本研究では,高度に制限された学習データであっても,極めて良好に動作可能な次元再現型分離型学習手法を応用した,新規で効率的な手法を提案する。
本稿では,2次元時空間再構成モデルの繰り返し処理を時間的低ランクと空間空間空間の両方で展開するDeep Separable Spatiotemporal Learning Network(DeepSSL)の開発に時空間事前を組み込むことにより,この新しいアプローチを設計する。
中間出力を視覚化して、ネットワークの振る舞いに関する洞察を与え、解釈可能性を高めることもできる。
心血管データセットの広範な結果は、DeepSSLが最先端の手法を視覚的かつ定量的に超過し、トレーニングケースの需要を最大75%削減していることを示している。
さらに、未確認の心臓患者に対する予備的適応性は、経験豊富な放射線医や心臓科医が実施したブラインドリーダー研究によって検証されている。
さらに、DeepSSLは、心臓セグメンテーションの下流タスクの精度を高め、将来的なアンサンプされたリアルタイム心筋MRIにおいて堅牢性を示す。
関連論文リスト
- Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳(メタデータ) (2024-03-25T17:40:32Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳(メタデータ) (2024-03-21T15:13:36Z) - 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)
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。