論文の概要: Gadolinium dose reduction for brain MRI using conditional deep learning

• arxiv url: http://arxiv.org/abs/2403.03539v1
• Date: Wed, 6 Mar 2024 08:35:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 15:45:45.542732
• Title: Gadolinium dose reduction for brain MRI using conditional deep learning
• Title（参考訳）: 条件付きディープラーニングを用いた脳MRIにおけるガドリニウム線量削減
• Authors: Thomas Pinetz, Erich Kobler, Robert Haase, Julian A. Luetkens, Mathias Meetschen, Johannes Haubold, Cornelius Deuschl, Alexander Radbruch, Katerina Deike, Alexander Effland
• Abstract要約: これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
• 参考スコア（独自算出の注目度）: 66.99830668082234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, deep learning (DL)-based methods have been proposed for the computational reduction of gadolinium-based contrast agents (GBCAs) to mitigate adverse side effects while preserving diagnostic value. Currently, the two main challenges for these approaches are the accurate prediction of contrast enhancement and the synthesis of realistic images. In this work, we address both challenges by utilizing the contrast signal encoded in the subtraction images of pre-contrast and post-contrast image pairs. To avoid the synthesis of any noise or artifacts and solely focus on contrast signal extraction and enhancement from low-dose subtraction images, we train our DL model using noise-free standard-dose subtraction images as targets. As a result, our model predicts the contrast enhancement signal only; thereby enabling synthesization of images beyond the standard dose. Furthermore, we adapt the embedding idea of recent diffusion-based models to condition our model on physical parameters affecting the contrast enhancement behavior. We demonstrate the effectiveness of our approach on synthetic and real datasets using various scanners, field strengths, and contrast agents.
• Abstract（参考訳）: 近年,gadolinium-based contrast agent (gbcas) の減算法として,診断値を維持しつつ副作用を緩和する深層学習法(dl法)が提案されている。 現在、これらのアプローチの2つの大きな課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 本研究では,先行コントラストとポストコントラスト画像対の減算画像に符号化されたコントラスト信号を利用することで,両課題を解決した。 ノイズやアーティファクトの合成を回避し,コントラスト信号抽出と低線量減算画像の強調にのみ焦点をあてるために,ノイズフリーの標準線減算画像をターゲットとしてDLモデルを訓練する。 その結果,コントラスト強調信号のみを予測でき,標準線量を超えた画像の合成が可能となった。 さらに,最近の拡散ベースモデルの埋め込みアイデアを適用し,コントラスト強調行動に影響を及ぼす物理パラメータにモデルを適用する。 本稿では,様々なスキャナー,フィールド強度,コントラストエージェントを用いた合成および実データ集合に対するアプローチの有効性を示す。

関連論文リスト

• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• LIP-CAR: contrast agent reduction by a deep learned inverse problem [0.0]
  コントラスト剤の低減問題は、視力増強を保ちながらコントラスト剤の投与量を減少させることである。 CARタスクに関する現在の文献は、完全な画像処理フレームワーク内のディープラーニング技術に基づいている。 我々は,高線量画像を対応する低線量画像にマッピングするイメージ・ツー・イメージ演算子を学習し,CARタスクを逆問題とする。 正規化法は、堅牢性と説明可能性を提供するよく確立された数学的手法である。
  論文  参考訳（メタデータ） (2024-07-15T09:16:54Z)
• CAVM: Conditional Autoregressive Vision Model for Contrast-Enhanced Brain Tumor MRI Synthesis [3.3966430276631208]
  条件付き自己回帰視覚モデルはコントラスト強調脳腫瘍MRIの合成を改善する。 深層学習法は、非コントラスト画像から仮想コントラスト強調MRIスキャンを合成するために応用されている。 自然言語処理における段階的用量増加とChain-of-Thoughtアプローチの類似性から着想を得たCAVMは、自己回帰戦略を使用する。
  論文  参考訳（メタデータ） (2024-06-23T10:50:22Z)
• Towards Learning Contrast Kinetics with Multi-Condition Latent Diffusion Models [2.8981737432963506]
  DCE-MRI時間系列の時間条件画像合成が可能な潜時拡散モデルを提案する。 以上の結果から,本手法が現実的な多列性脂肪飽和乳房DCE-MRIを生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-20T18:01:57Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Robustness-Guided Image Synthesis for Data-Free Quantization [15.91924736452861]
  合成画像のセマンティクスを強化し,画像の多様性を向上させるために,ロバストネス誘導画像合成(RIS)を提案する。 RISは、合成画像のセマンティクスを強化し、画像の多様性を改善するための、シンプルだが効果的な方法である。 我々は、データフリーな量子化の様々な設定に対して最先端の性能を実現し、他のデータフリーな圧縮タスクにも拡張できる。
  論文  参考訳（メタデータ） (2023-10-05T16:39:14Z)
• Simulation of Arbitrary Level Contrast Dose in MRI Using an Iterative Global Transformer Model [0.7269343652807762]
  深層学習(DL)によるMRI画像の造影線量減少と除去が推進されている。 しかし、これらのアルゴリズムは高品質な低線量データセットが利用可能であることによって制限されている。 本研究では,任意のコントラスト強調による画像合成において,新しい変換器(Gformer)に基づく反復的モデリング手法を定式化する。
  論文  参考訳（メタデータ） (2023-07-22T04:44:57Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)

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。