論文の概要: Accelerated MR Cholangiopancreatography with Deep Learning-based Reconstruction

• arxiv url: http://arxiv.org/abs/2405.03732v1
• Date: Mon, 6 May 2024 10:53:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 18:24:15.389230
• Title: Accelerated MR Cholangiopancreatography with Deep Learning-based Reconstruction
• Title（参考訳）: 深達度学習を用いたMR胆管膵管造影法
• Authors: Jinho Kim, Marcel Dominik Nickel, Florian Knoll,
• Abstract要約: 本研究は,3Tおよび0.55Tのディープラーニング(DL)再構成を用いてMRCP(MRCP)の獲得を加速する。 3Tで得られた6倍アンダーサンプルデータを用いて変動ネットワーク(VN)を訓練した。 VNは肝胆道の鋭さと可視性といったアンダーサンプリングデータの画質を保存した。
• 参考スコア（独自算出の注目度）: 0.8422467541029346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study accelerates MR cholangiopancreatography (MRCP) acquisitions using deep learning-based (DL) reconstruction at 3T and 0.55T. Thirty healthy volunteers underwent conventional two-fold MRCP scans at field strengths of 3T or 0.55T. We trained a variational network (VN) using retrospectively six-fold undersampled data obtained at 3T. We then evaluated our method against standard techniques such as parallel imaging (PI) and compressed sensing (CS), focusing on peak signal-to-noise ratio (PSNR) and structural similarity (SSIM) as metrics. Furthermore, considering acquiring fully-sampled MRCP is impractical, we added a self-supervised DL reconstruction (SSDU) to the evaluating group. We also tested our method in a prospective accelerated scenario to reflect real-world clinical applications and evaluated its adaptability to MRCP at 0.55T. Our method demonstrated a remarkable reduction of average acquisition time from 599/542 to 255/180 seconds for MRCP at 3T/0.55T. In both retrospective and prospective undersampling scenarios, the PSNR and SSIM of VN were higher than those of PI, CS, and SSDU. At the same time, VN preserved the image quality of undersampled data, i.e., sharpness and the visibility of hepatobiliary ducts. In addition, VN also produced high quality reconstructions at 0.55T resulting in the highest PSNR and SSIM. In summary, VN trained for highly accelerated MRCP allows to reduce the acquisition time by a factor of 2.4/3.0 at 3T/0.55T while maintaining the image quality of the conventional acquisition.
• Abstract（参考訳）: 本研究は,3Tおよび0.55Tのディープラーニング(DL)再構成を用いてMRCP(MRCP)の獲得を加速する。 健常者30名を対象に3T, 0.55Tのフィールド強度でMRCPスキャンを行った。 3Tで得られた6倍アンダーサンプルデータを用いて変動ネットワーク(VN)を訓練した。 そこで我々は,並列画像(PI)や圧縮センシング(CS)といった標準技術に対して,ピーク信号-雑音比(PSNR)と構造類似度(SSIM)に着目して評価を行った。 さらに,完全サンプリング型MRCPの取得は現実的ではなく,自己管理型DL再構成(SSDU)を評価グループに追加した。 また,本手法を現実臨床応用を反映し, MRCPへの適応性を0.55Tで評価した。 MRCPを3T/0.55Tで599/542から255/180秒に短縮した。 ふりかえりと予測アンダーサンプリングのシナリオでは、VNのPSNRとSSIMはPI、CS、SSDUよりも高かった。 同時にVNは,肝胆道の鋭さや可視性といったアンダーサンプリングデータの画質を保った。 さらに、VNは0.55Tで高品質な再構築を行い、PSNRとSSIMが最高になった。 要約すると、高度に加速されたMRCPのために訓練されたVNは、従来の取得の画質を維持しつつ、3T/0.55Tにおける2.4/3.0の係数で取得時間を短縮することができる。

関連論文リスト

• Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data [9.160782425067712]
  低線量スキャンから高画質画像を再構成するためのCycle-DCN(Cycle-versa Adrial Denoising Convolutional Network)を提案する。 1,224名の患者から得られた生のPET脳データからなる大規模なデータセットを用いて実験を行った。 サイクルDCNは平均ピーク信号対雑音比(PSNR)、SSIM、正規化ルート平均角誤差(NRMSE)を3つの線量レベルで改善する。
  論文  参考訳（メタデータ） (2024-10-31T04:34:28Z)
• Paired Conditional Generative Adversarial Network for Highly Accelerated Liver 4D MRI [8.880834588879525]
  本研究では,4次元MRI再構成時間を短縮するReconstruct Paired Generative Adrial Network (Re-Con-GAN)を提案する。 ResNet9, UNet, Restructation Swin Transformerの3種類のネットワークがジェネレータとして探索された。 Re-Con-GANはCS/UNetモデルと比較してPSNR、SSIM、RMSEのスコアを一貫して達成した。
  論文  参考訳（メタデータ） (2024-05-20T20:14:23Z)
• 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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Technical Note: Feasibility of translating 3.0T-trained Deep-Learning Segmentation Models Out-of-the-Box on Low-Field MRI 0.55T Knee-MRI of Healthy Controls [4.087907070547308]
  我々は,0.55Tでスキャンした健常者における両側膝バイオマーカーの定量化にDeep Learning (DL) を有効にしたアルゴリズムの適用可能性について,3.0Tと比較した。 最初の結果は、既存の定量的深層学習に基づくイメージセグメンテーション技術に翻訳可能な技術的実現可能性を示し、膝MRIの0.55Tのうち3.0Tでトレーニングされた。 0.55T低磁場で持続可能で簡単に装着できるMRIは、確立されたDLアルゴリズムにより膝軟骨の厚みと骨の分節を評価するのに利用できる。
  論文  参考訳（メタデータ） (2023-10-26T04:52:25Z)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• Deep learning-based reconstruction of highly accelerated 3D MRI [0.6023590691155803]
  DL-Speedは3次元T1重み付き脳スキャンデータを用いて訓練され、高アンサンプされたk空間データから複雑な値の画像を再構成した。 3次元MPRAGE脳スキャンデータから10倍の加速を再現して評価した。 DL-Speedは前向きアンサンプされたスキャンデータに対して合理的に良好な性能を示し,スキャン時間の2～5倍の削減を実現した。
  論文  参考訳（メタデータ） (2022-03-09T12:32:28Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
  太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-29T13:29:18Z)
• 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep Learning Reconstruction [0.487576911714538]
  脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。 ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。 本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
  論文  参考訳（メタデータ） (2021-05-12T17:39:16Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)

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。