論文の概要: MAMOC: MRI Motion Correction via Masked Autoencoding

• arxiv url: http://arxiv.org/abs/2405.14590v1
• Date: Thu, 23 May 2024 14:01:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 14:45:33.908891
• Title: MAMOC: MRI Motion Correction via Masked Autoencoding
• Title（参考訳）: MAMOC: Masked AutoencodingによるMRI運動補正
• Authors: Lennart Alexander Van der Goten, Jingyu Guo, Kevin Smith,
• Abstract要約: 本稿では, 運動負荷MRI脳スキャンにおける視線アーチファクト補正(RAC)の問題点に対処する新しい手法であるMasked Motion Correction(MAMOC)を紹介する。 MAMOCはマスク付き自己エンコーディングとテストタイム予測を使用して、動きのアーティファクトを効率的に除去し、最先端のネイティブ解像度スキャンを生成する。 この研究は、MRIスキャンにおける運動補正を実動作データを用いて初めて評価し、既存の動き補正法よりもMAMOCの方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.2553331475843343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The presence of motion artifacts in magnetic resonance imaging (MRI) scans poses a significant challenge, where even minor patient movements can lead to artifacts that may compromise the scan's utility. This paper introduces Masked Motion Correction (MAMOC), a novel method designed to address the issue of Retrospective Artifact Correction (RAC) in motion-affected MRI brain scans. MAMOC uses masked autoencoding self-supervision and test-time prediction to efficiently remove motion artifacts, producing state-of-the-art, native resolution scans. Until recently, realistic data to evaluate retrospective motion correction methods did not exist, motion artifacts had to be simulated. Leveraging the MR-ART dataset, this work is the first to evaluate motion correction in MRI scans using real motion data, showing the superiority of MAMOC to existing motion correction (MC) methods.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)スキャンにおける運動アーティファクトの存在は、小さな患者の動きでさえ、スキャンの有用性を損なう可能性があるアーティファクトに繋がる重要な課題となる。 本稿では, 運動負荷MRI脳スキャンにおける視線アーチファクト補正(RAC)の問題点に対処する新しい手法であるMasked Motion Correction(MAMOC)を紹介する。 MAMOCはマスク付き自己エンコーディングとテストタイム予測を使用して、動きのアーティファクトを効率的に除去し、最先端のネイティブ解像度スキャンを生成する。 最近まで、振り返り運動補正法を評価するための現実的なデータは存在しなかったが、運動アーティファクトをシミュレートしなければならなかった。 MR-ARTデータセットを活用することで、実際の動きデータを用いてMRIスキャンの動作補正を初めて評価し、既存の動き補正(MC)法よりもMAMOCの方が優れていることを示す。

関連論文リスト

• Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
  運動は臨床MRIの約30%に存在していると推定されている。 深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。 画像と正しい動きを同時に高速化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T02:16:35Z)
• Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
  様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。 本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。 本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:44:24Z)
• SISMIK for brain MRI: Deep-learning-based motion estimation and model-based motion correction in k-space [0.0]
  本研究では,脳の2次元スピンエコースキャンにおける動き推定と補正の振り返り手法を提案する。 この手法は、深いニューラルネットワークのパワーを利用してk空間の運動パラメータを推定する。 モデルに基づくアプローチを用いて、劣化した画像を復元し、「幻覚」を避ける。
  論文  参考訳（メタデータ） (2023-12-20T17:38:56Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Motion Artifacts Detection in Short-scan Dental CBCT Reconstructions [5.147799140853288]
  Cone Beam Computed Tomography (CBCT) は歯科診断や治療計画に広く用いられている。 本研究は, 補正アルゴリズムを使わずに, クリーンショートスキャン体積を再構成することのできる, 走査投影の運動自由部分を抽出する枠組みを用いた。 データ不足に対処するために、現実的なモーションシミュレーション戦略とデータ拡張が実装されている。
  論文  参考訳（メタデータ） (2023-04-20T08:28:44Z)
• Annealed Score-Based Diffusion Model for MR Motion Artifact Reduction [37.41561581618164]
  モーションアーティファクトリダクションは、MRイメージングにおいて重要な研究トピックの1つである。 我々はMRIの動作アーチファクト低減のためのアニール式スコアベース拡散モデルを提案する。 実験により, 提案手法は, シミュレーションおよび生体内動作アーティファクトの両方を効果的に低減することを確認した。
  論文  参考訳（メタデータ） (2023-01-08T12:16:08Z)
• CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [12.414040285543273]
  CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。 実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
  論文  参考訳（メタデータ） (2022-10-12T15:49:51Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• MotionHint: Self-Supervised Monocular Visual Odometry with Motion Constraints [70.76761166614511]
  モノクローナルビジュアル・オドメトリー(VO)のための新しい自己教師型アルゴリズムMotionHintを提案する。 我々のMotionHintアルゴリズムは、既存のオープンソースSSM-VOシステムに容易に適用できる。
  論文  参考訳（メタデータ） (2021-09-14T15:35:08Z)
• 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)

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。