論文の概要: Field-of-View Extension for Brain Diffusion MRI via Deep Generative Models
- arxiv url: http://arxiv.org/abs/2405.03652v2
- Date: Wed, 28 Aug 2024 20:29:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-30 19:08:38.962324
- Title: Field-of-View Extension for Brain Diffusion MRI via Deep Generative Models
- Title(参考訳): 深部生成モデルによる脳拡散MRIの視野拡張
- Authors: Chenyu Gao, Shunxing Bao, Michael Kim, Nancy Newlin, Praitayini Kanakaraj, Tianyuan Yao, Gaurav Rudravaram, Yuankai Huo, Daniel Moyer, Kurt Schilling, Walter Kukull, Arthur Toga, Derek Archer, Timothy Hohman, Bennett Landman, Zhiyuan Li,
- Abstract要約: 本研究の目的は,不完全な視野を持つ既存のdMRIスキャンから直接,欠落したスライスを出力する手法を開発することである。
不完全なFOVを用いたdMRIスキャンにおいて、欠損脳領域を推定する深層生成モデルに基づくフレームワークを提案する。
提案手法はより正確で完全かつ拡張されたFOVで全脳トラクトグラフィーを施行し,アルツハイマー病関連結束解析における不確かさを低減した。
- 参考スコア(独自算出の注目度): 8.077960607188261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: In diffusion MRI (dMRI), the volumetric and bundle analyses of whole-brain tissue microstructure and connectivity can be severely impeded by an incomplete field-of-view (FOV). This work aims to develop a method for imputing the missing slices directly from existing dMRI scans with an incomplete FOV. We hypothesize that the imputed image with complete FOV can improve the whole-brain tractography for corrupted data with incomplete FOV. Therefore, our approach provides a desirable alternative to discarding the valuable dMRI data, enabling subsequent tractography analyses that would otherwise be challenging or unattainable with corrupted data. Approach: We propose a framework based on a deep generative model that estimates the absent brain regions in dMRI scans with incomplete FOV. The model is capable of learning both the diffusion characteristics in diffusion-weighted images (DWI) and the anatomical features evident in the corresponding structural images for efficiently imputing missing slices of DWI outside of incomplete FOV. Results: For evaluating the imputed slices, on the WRAP dataset the proposed framework achieved PSNRb0=22.397, SSIMb0=0.905, PSNRb1300=22.479, SSIMb1300=0.893; on the NACC dataset it achieved PSNRb0=21.304, SSIMb0=0.892, PSNRb1300=21.599, SSIMb1300= 0.877. The proposed framework improved the tractography accuracy, as demonstrated by an increased average Dice score for 72 tracts (p < 0.001) on both the WRAP and NACC datasets. Conclusions: Results suggest that the proposed framework achieved sufficient imputation performance in dMRI data with incomplete FOV for improving whole-brain tractography, thereby repairing the corrupted data. Our approach achieved more accurate whole-brain tractography results with extended and complete FOV and reduced the uncertainty when analyzing bundles associated with Alzheimer's Disease.
- Abstract(参考訳): 目的:拡散MRI(dMRI)では,全脳組織の微細構造と接続性の体積および束解析が不完全視野(FOV)によって著しく阻害される可能性がある。
本研究の目的は、未完成なFOVで既存のdMRIスキャンから直接欠落したスライスを出力する方法を開発することである。
完全FOVによるインプット画像は、不完全FOVによる破損データに対する全脳トラクトグラフィーを改善することができると仮定する。
したがって,本手法は,有意なdMRIデータを捨てる上で望ましい代替手段を提供する。
アプローチ: 不完全なFOVを用いたdMRIスキャンにおいて, 欠損脳領域を推定する深層生成モデルに基づくフレームワークを提案する。
このモデルは拡散強調画像(DWI)の拡散特性と、対応する構造画像に明らかな解剖学的特徴の両方を学習し、不完全なFOVの外側で欠落したDWIのスライスを効率的に出力することができる。
結果: WRAPデータセットでは,PSNRb0=22.397,SSIMb0=0.905,PSNRb1300=22.479,SSIMb1300=0.893,NACCデータセットではPSNRb0=21.304,SSIMb0=0.892,PSNRb1300=21.599,SSIMb1300=0.877を得た。
提案手法は,WRAPデータセットとNACCデータセットの72トラクト (p < 0.001) の平均Diceスコアの増加とともに,トラクトグラフィーの精度を改善した。
結論: 提案手法は, 完全不完全FOVを用いたdMRIデータにおける十分な計算性能を達成し, 破損したデータの修復を図った。
提案手法はより正確で完全かつ拡張されたFOVで全脳トラクトグラフィーを施行し,アルツハイマー病関連結束解析における不確かさを低減した。
関連論文リスト
- A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳(メタデータ) (2024-05-13T17:49:20Z) - Anatomically Constrained Tractography of the Fetal Brain [6.112565873653592]
我々は,dMRI空間内での胎児脳組織の正確な分画に基づく解剖学的拘束性トラクトグラフィーを提唱する。
独立試験データを用いて実験したところ、この方法は胎児の脳組織を正確に分画し、トラクトグラフィーの結果を大幅に改善できることがわかった。
論文 参考訳(メタデータ) (2024-03-04T19:56:19Z) - 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) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳(メタデータ) (2023-06-05T14:06:40Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Automated MRI Field of View Prescription from Region of Interest
Prediction by Intra-stack Attention Neural Network [10.247651979368062]
MRI技術者による視野のマニュアル処方(FOV)は可変であり、スキャンプロセスを延長する。
本稿では,放射線科医の指導のもと,FOV処方薬の自動化のためのディープラーニングフレームワークを提案する。
提案モデルでは,平均IoUは0.867で,平均ROI位置誤差は80のケースで512ピクセル中9.06である。
論文 参考訳(メタデータ) (2022-11-09T06:40:18Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - 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) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳(メタデータ) (2019-12-27T02:49:45Z)
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。