論文の概要: Physics-Informed Learning for Time-Resolved Angiographic Contrast Agent Concentration Reconstruction

• arxiv url: http://arxiv.org/abs/2403.01993v1
• Date: Mon, 4 Mar 2024 12:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 18:46:12.512064
• Title: Physics-Informed Learning for Time-Resolved Angiographic Contrast Agent Concentration Reconstruction
• Title（参考訳）: 時間分解型造影剤濃度再構成のための物理インフォームドラーニング
• Authors: Noah Maul, Annette Birkhold, Fabian Wagner, Mareike Thies, Maximilian Rohleder, Philipp Berg, Markus Kowarschik, Andreas Maier
• Abstract要約: 本稿では、画像に基づく血流シミュレーションのデータセットに基づいてトレーニングされたニューラルネットワークベースのモデルを提案する。 このモデルでは, 血管の各中心点における空間平均コントラスト剤濃度を経時的に予測する。 本手法は, 経時的血管造影画像再構成における機械学習と血流シミュレーションの統合の可能性を示すものである。
• 参考スコア（独自算出の注目度）: 3.3359894496511053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional Digital Subtraction Angiography (3D-DSA) is a well-established X-ray-based technique for visualizing vascular anatomy. Recently, four-dimensional DSA (4D-DSA) reconstruction algorithms have been developed to enable the visualization of volumetric contrast flow dynamics through time-series of volumes. . This reconstruction problem is ill-posed mainly due to vessel overlap in the projection direction and geometric vessel foreshortening, which leads to information loss in the recorded projection images. However, knowledge about the underlying fluid dynamics can be leveraged to constrain the solution space. In our work, we implicitly include this information in a neural network-based model that is trained on a dataset of image-based blood flow simulations. The model predicts the spatially averaged contrast agent concentration for each centerline point of the vasculature over time, lowering the overall computational demand. The trained network enables the reconstruction of relative contrast agent concentrations with a mean absolute error of 0.02 $\pm$ 0.02 and a mean absolute percentage error of 5.31 % $\pm$ 9.25 %. Moreover, the network is robust to varying degrees of vessel overlap and vessel foreshortening. Our approach demonstrates the potential of the integration of machine learning and blood flow simulations in time-resolved angiographic flow reconstruction.
• Abstract（参考訳）: 3次元デジタルサブトラクション血管造影(3D-DSA)は、血管解剖を可視化するための確立されたX線ベースの技術である。 近年,4次元DSA (4D-DSA) 再構成アルゴリズムが開発され,ボリュームの時系列によるボリュームコントラストフローの可視化が可能となった。 . この復元問題は、主に投影方向の容器重なりと幾何学的容器の先端化のため、記録された投影画像における情報損失につながる。 しかし、基盤となる流体力学に関する知識は、解空間を制約するために活用することができる。 私たちの研究では、画像ベースの血流シミュレーションのデータセットに基づいてトレーニングされたニューラルネットワークベースのモデルに暗黙的にこの情報を含めています。 このモデルでは,血管の各中心点に対する空間平均コントラスト剤濃度を経時的に予測し,全体の計算負荷を低減させる。 訓練されたネットワークは、平均絶対誤差0.02$\pm$ 0.02と平均絶対パーセンテージ誤差5.31 %$\pm$ 9.25 %で、相対的コントラストエージェント濃度の再構成を可能にする。 さらに、ネットワークは船の重なり合いや船の予見の程度に頑丈である。 本手法は,血管造影画像再構成における機械学習と血流シミュレーションの統合の可能性を示す。

関連論文リスト

• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• 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)
• 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
  脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。 本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。 本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
  論文  参考訳（メタデータ） (2021-04-04T20:30:14Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• 3D Scattering Tomography by Deep Learning with Architecture Tailored to Cloud Fields [12.139158398361866]
  本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。 また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2020-12-10T20:31:44Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。