論文の概要: Adaptive Sampling of k-Space in Magnetic Resonance for Rapid Pathology Prediction

• arxiv url: http://arxiv.org/abs/2406.04318v1
• Date: Thu, 6 Jun 2024 17:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 13:20:50.856783
• Title: Adaptive Sampling of k-Space in Magnetic Resonance for Rapid Pathology Prediction
• Title（参考訳）: 急速診断のための磁気共鳴におけるk空間の適応サンプリング
• Authors: Chen-Yu Yen, Raghav Singhal, Umang Sharma, Rajesh Ranganath, Sumit Chopra, Lerrel Pinto,
• Abstract要約: そこで本研究では,k空間サンプルを逐次選択し,対象疾患検出を最適化するための適応ポリシーを学習する,MR用適応サンプリング法を提案する。 ASMRは、k空間の8%しか使用せず、また、EMRT、LO、DPSなどのk空間サンプリングにおいて、最先端の作業よりも優れています。
• 参考スコア（独自算出の注目度）: 31.313223729491703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance (MR) imaging, despite its proven diagnostic utility, remains an inaccessible imaging modality for disease surveillance at the population level. A major factor rendering MR inaccessible is lengthy scan times. An MR scanner collects measurements associated with the underlying anatomy in the Fourier space, also known as the k-space. Creating a high-fidelity image requires collecting large quantities of such measurements, increasing the scan time. Traditionally to accelerate an MR scan, image reconstruction from under-sampled k-space data is the method of choice. However, recent works show the feasibility of bypassing image reconstruction and directly learning to detect disease directly from a sparser learned subset of the k-space measurements. In this work, we propose Adaptive Sampling for MR (ASMR), a sampling method that learns an adaptive policy to sequentially select k-space samples to optimize for target disease detection. On 6 out of 8 pathology classification tasks spanning the Knee, Brain, and Prostate MR scans, ASMR reaches within 2% of the performance of a fully sampled classifier while using only 8% of the k-space, as well as outperforming prior state-of-the-art work in k-space sampling such as EMRT, LOUPE, and DPS.
• Abstract（参考訳）: 磁気共鳴画像(MR)は、診断の有用性が証明されているにもかかわらず、人口レベルでの疾患監視にはアクセス不能な画像モダリティである。 MRをアクセシブルにレンダリングする主な要因は、長いスキャン時間である。 MRスキャナーは、基礎となるフーリエ空間(k空間としても知られる)の解剖学に関連する測定を収集する。 高忠実度画像を作成するには、そのような測定を大量に集め、スキャン時間を増やす必要がある。 伝統的にMRスキャンを加速するために、アンダーサンプリングされたk空間データからの画像再構成が選択の方法である。 しかし、近年の研究では、画像再構成をバイパスし、k空間測定のスペーサー学習サブセットから直接疾患を検出することの実現可能性を示している。 そこで本研究では,k空間サンプルを逐次選択し,対象疾患検出を最適化する適応的手法であるAdaptive Smpling for MR (ASMR)を提案する。 Knee、Brain、Prostate MRスキャンにまたがる8つの病理分類タスクのうち6つにおいて、ASMRは完全サンプリング分類器のパフォーマンスの2%以内に達し、k空間の8%しか使用せず、EMRT、LOUPE、DPSといったk空間サンプリングにおける先行技術よりも優れていた。

関連論文リスト

• Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
  高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。 既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。 画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T04:54:04Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
  本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。 ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。 空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
  論文  参考訳（メタデータ） (2024-02-20T18:37:42Z)
• Simultaneous q-Space Sampling Optimization and Reconstruction for Fast and High-fidelity Diffusion Magnetic Resonance Imaging [13.002583920505579]
  我々は,q空間サンプリング最適化と再構成の同時フレームワークであるSSORを提案する。 我々は、球面調和関数の連続表現と再構成ネットワークを用いて、q空間サンプルのサブセットを共同で最適化する。 拡散磁気共鳴イメージング(dMRI)のユニークな特性を,$l1$-normと全変分正規化を適用して,q領域と画像領域の両方に集積する。
  論文  参考訳（メタデータ） (2024-01-03T10:47:20Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI [15.966488917066048]
  高アンサンプドリング肺MRI再建のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。 EN2はk空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いる。 また、複雑なk空間データからリッチ表現を学ぶために複雑な畳み込みを用いる。
  論文  参考訳（メタデータ） (2023-06-21T02:08:27Z)
• 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)
• Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
  k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。 訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
  論文  参考訳（メタデータ） (2021-08-17T17:45:51Z)
• 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)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。