論文の概要: A self-attention model for robust rigid slice-to-volume registration of functional MRI

• arxiv url: http://arxiv.org/abs/2404.04546v1
• Date: Sat, 6 Apr 2024 08:02:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 20:39:11.495615
• Title: A self-attention model for robust rigid slice-to-volume registration of functional MRI
• Title（参考訳）: 機能的MRIの頑健なスライス・ツー・ボリューム登録のための自己注意モデル
• Authors: Samah Khawaled, Simon K. Warfield, Moti Freiman,
• Abstract要約: fMRIスキャン中の頭部の動きは、歪み、偏りの分析、コストの増加をもたらす。 本稿では,2次元fMRIスライスを3次元参照ボリュームに整列するエンド・ツー・エンドSVRモデルを提案する。 本モデルは,最先端のディープラーニング手法と比較して,アライメント精度の面での競合性能を実現する。
• 参考スコア（独自算出の注目度）: 4.615338063719135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional Magnetic Resonance Imaging (fMRI) is vital in neuroscience, enabling investigations into brain disorders, treatment monitoring, and brain function mapping. However, head motion during fMRI scans, occurring between shots of slice acquisition, can result in distortion, biased analyses, and increased costs due to the need for scan repetitions. Therefore, retrospective slice-level motion correction through slice-to-volume registration (SVR) is crucial. Previous studies have utilized deep learning (DL) based models to address the SVR task; however, they overlooked the uncertainty stemming from the input stack of slices and did not assign weighting or scoring to each slice. In this work, we introduce an end-to-end SVR model for aligning 2D fMRI slices with a 3D reference volume, incorporating a self-attention mechanism to enhance robustness against input data variations and uncertainties. It utilizes independent slice and volume encoders and a self-attention module to assign pixel-wise scores for each slice. We conducted evaluation experiments on 200 images involving synthetic rigid motion generated from 27 subjects belonging to the test set, from the publicly available Healthy Brain Network (HBN) dataset. Our experimental results demonstrate that our model achieves competitive performance in terms of alignment accuracy compared to state-of-the-art deep learning-based methods (Euclidean distance of $0.93$ [mm] vs. $1.86$ [mm]). Furthermore, our approach exhibits significantly faster registration speed compared to conventional iterative methods ($0.096$ sec. vs. $1.17$ sec.). Our end-to-end SVR model facilitates real-time head motion tracking during fMRI acquisition, ensuring reliability and robustness against uncertainties in inputs. source code, which includes the training and evaluations, will be available soon.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は神経科学において不可欠であり、脳疾患、治療モニタリング、脳機能マッピングの研究を可能にする。 しかし、fMRIスキャン中の頭部の動きは、スライス取得のショット間で発生し、歪み、偏りの分析、スキャン反復の必要性によるコスト上昇をもたらす可能性がある。 そのため、スライス・ツー・ボリューム登録(SVR)によるリフレクション・スライスレベルの動作補正が重要である。 従来の研究では、深層学習(DL)モデルを用いてSVRタスクに対処してきたが、スライスの入力スタックから生じる不確実性を見落とし、各スライスに重み付けやスコアを割り当てなかった。 本研究では,2次元fMRIスライスを3次元参照ボリュームに整合させるエンド・ツー・エンドのSVRモデルを提案する。 独立したスライスとボリュームエンコーダと自己アテンションモジュールを使用して、スライス毎にピクセルワイズスコアを割り当てる。 テストセットに属する27人の被験者から生成された合成剛性運動を含む200枚の画像について,Healthy Brain Network (HBN)データセットを用いて評価実験を行った。 実験の結果,本モデルでは,最先端の深層学習手法と比較して,アライメント精度において競争性能が向上していることがわかった(ユークリッド距離は0.93$ [mm]対1.86$ [mm])。 さらに,従来の反復法 (0.096$ sec. vs. $1.17$ sec.) と比較して,登録速度が大幅に向上した。 エンドツーエンドのSVRモデルは、fMRI取得時のリアルタイムヘッドモーショントラッキングを容易にし、入力の不確実性に対して信頼性と堅牢性を確保する。 トレーニングと評価を含むソースコードが近く提供される。

関連論文リスト

• Attention-aware non-rigid image registration for accelerated MR imaging [10.47044784972188]
  我々は,MRIの完全サンプリングと高速化のために,非厳密なペアワイズ登録を行うことのできる,注目に敏感なディープラーニングベースのフレームワークを提案する。 我々は、複数の解像度レベルで、登録された画像ペア間の類似性マップを構築するために、局所的な視覚表現を抽出する。 本モデルでは, 異なるサンプリング軌道にまたがって, 安定かつ一貫した運動場を導出することを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:25:07Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• 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)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• AFFIRM: Affinity Fusion-based Framework for Iteratively Random Motion correction of multi-slice fetal brain MRI [8.087220876070477]
  Affinity Fusion-based Framework for Iteratively Random Motion correct of the multi-slice fetal brain MRI。 複数のスライスからシーケンシャルな動きを学習し、親和性融合を用いて2次元スライスと再構成された3次元ボリュームの特徴を統合する。 この方法は、脳の向きに関係なく正確に動きを推定し、シミュレートされた動き破壊データに対して、他の最先端の学習法より優れる。
  論文  参考訳（メタデータ） (2022-05-12T02:54:55Z)
• Deep Learning Framework for Real-time Fetal Brain Segmentation in MRI [15.530500862944818]
  様々なディープニューラルネットワークモデルの高速化性能を解析する。 我々は、高解像度で空間の詳細と低解像度で抽出された文脈特徴を組み合わせた、象徴的な小さな畳み込みニューラルネットワークを考案した。 我々は、手動で胎児のMRIスライスをラベル付けした8つの最先端ネットワークと同様に、我々のモデルを訓練した。
  論文  参考訳（メタデータ） (2022-05-02T20:43:14Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• 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。