論文の概要: IR2QSM: Quantitative Susceptibility Mapping via Deep Neural Networks with Iterative Reverse Concatenations and Recurrent Modules
- arxiv url: http://arxiv.org/abs/2406.12300v1
- Date: Tue, 18 Jun 2024 06:17:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 20:35:42.121063
- Title: IR2QSM: Quantitative Susceptibility Mapping via Deep Neural Networks with Iterative Reverse Concatenations and Recurrent Modules
- Title（参考訳）: IR2QSM:反復逆結合と反復モジュールを用いたディープニューラルネットワークによる定量的サセプティビリティマッピング
- Authors: Min Li, Chen Chen, Zhuang Xiong, Ying Liu, Pengfei Rong, Shanshan Shan, Feng Liu, Hongfu Sun, Yang Gao,
- Abstract要約: 深層学習に基づくQSM再構成のための新しいIR2QSM法を提案する。
リバースコンカニオンとミドルリカレントモジュール拡張U-netを4回繰り返して設計する。
IR2QSMを従来のアルゴリズムや最先端のディープラーニング手法と比較するためのシミュレーションおよびin vivo実験を行った。
- 参考スコア（独自算出の注目度）: 14.228884847425011
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative susceptibility mapping (QSM) is an MRI phase-based post-processing technique to extract the distribution of tissue susceptibilities, demonstrating significant potential in studying neurological diseases. However, the ill-conditioned nature of dipole inversion makes QSM reconstruction from the tissue field prone to noise and artifacts. In this work, we propose a novel deep learning-based IR2QSM method for QSM reconstruction. It is designed by iterating four times of a reverse concatenations and middle recurrent modules enhanced U-net, which could dramatically improve the efficiency of latent feature utilization. Simulated and in vivo experiments were conducted to compare IR2QSM with several traditional algorithms (MEDI and iLSQR) and state-of-the-art deep learning methods (U-net, xQSM, and LPCNN). The results indicated that IR2QSM was able to obtain QSM images with significantly increased accuracy and mitigated artifacts over other methods. Particularly, IR2QSM demonstrated on average the best NRMSE (27.59%) in simulated experiments, which is 15.48%, 7.86%, 17.24%, 9.26%, and 29.13% lower than iLSQR, MEDI, U-net, xQSM, LPCNN, respectively, and led to improved QSM results with fewer artifacts for the in vivo data.
- Abstract（参考訳）: 定量的感受性マッピング(QSM)は、組織感受性の分布を抽出するMRI位相に基づく後処理技術であり、神経疾患の研究において有意義な可能性を示唆している。
しかし、双極子反転の条件の悪い性質は、QSMを組織野からノイズやアーティファクトへと再構成させる。
本研究では,QSM再構成のための新しいディープラーニングベースのIR2QSM法を提案する。
リバースコンカニオンとミドルリカレントモジュール拡張U-netの4回を繰り返すことで設計されており、遅延特性の利用効率を劇的に向上させることができる。
IR2QSMと従来のアルゴリズム(MEDI, iLSQR)と最先端ディープラーニング(U-net, xQSM, LPCNN)を比較した。
その結果、IR2QSMは精度が大幅に向上し、他の手法よりもアーチファクトが軽減されたQSM画像を得ることができた。
特にIR2QSMは15.48%、7.86%、17.24%、9.26%、29.13%のシミュレーション実験において、ILSQR、MEDI、U-net、xQSM、LPCNNよりも平均27.59%低かった。
関連論文リスト
- Affine Transformation Edited and Refined Deep Neural Network for
Quantitative Susceptibility Mapping [10.772763441035945]
定量的サセプティビリティマッピング(QSM)のための、エンドツーエンドのAFfine Transformation Edited and Refined (AFTER)ディープニューラルネットワークを提案する。
任意の取得方向と空間分解能が最大0.6mm等方性に対して最も高い。
論文 参考訳（メタデータ） (2022-11-25T07:54:26Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - 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) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - MoG-QSM: Model-based Generative Adversarial Deep Learning Network for
Quantitative Susceptibility Mapping [10.898053030099023]
本稿では,正規化項を学習するために,生成型逆ネットワークの利点を生かしたモデルベースフレームワークを提案する。
最小二乗(LS)GANとL1コストの混合を併用した残差ネットワークを発電機として訓練し,先行情報を学習した。
MoG-QSMは単方向位相マップから高精度な感受性マップを生成する。
論文 参考訳（メタデータ） (2021-01-21T02:52:05Z) - CycleQSM: Unsupervised QSM Deep Learning using Physics-Informed CycleGAN [23.80331349122883]
物理インフォームドサイクルGANを用いた教師なしQSM深層学習手法を提案する。
従来のサイクルGANとは対照的に、私たちの新しいサイクルGANは既知の双極子カーネルのおかげで1つの発電機と1つの識別器しか持っていません。
実験の結果,提案手法は既存の深層学習手法と比較して,より正確な QSM マップを提供することがわかった。
論文 参考訳（メタデータ） (2020-12-07T16:46:15Z) - Learned Proximal Networks for Quantitative Susceptibility Mapping [9.061630971752464]
本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。
このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
論文 参考訳（メタデータ） (2020-08-11T22:35:24Z) - Deep Learning Estimation of Multi-Tissue Constrained Spherical
Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。
2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。
繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
論文 参考訳（メタデータ） (2020-02-20T15:59:03Z)
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。