論文の概要: IM-MoCo: Self-supervised MRI Motion Correction using Motion-Guided Implicit Neural Representations

• arxiv url: http://arxiv.org/abs/2407.02974v1
• Date: Wed, 3 Jul 2024 10:14:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 14:45:33.555109
• Title: IM-MoCo: Self-supervised MRI Motion Correction using Motion-Guided Implicit Neural Representations
• Title（参考訳）: IM-MoCo:運動誘導型インプシットニューラル表現を用いた自己教師型MRI運動補正
• Authors: Ziad Al-Haj Hemidi, Christian Weihsbach, Mattias P. Heinrich,
• Abstract要約: 磁気共鳴イメージング(MRI)における運動アーティファクトは、比較的長い取得時間によって生じる。 従来の動き補正法は、しばしば激しい動きに対処できず、歪んだり信頼性の低い結果をもたらす。 Inlicit Neural Representation (INR) を利用したインスタンスワイド動作補正パイプラインを提案する。 本手法は, 動作不良画像と比較して, 少なくとも1.5ドル以上の精度で分類結果を改善する。
• 参考スコア（独自算出の注目度）: 2.2265038612930663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion artifacts in Magnetic Resonance Imaging (MRI) arise due to relatively long acquisition times and can compromise the clinical utility of acquired images. Traditional motion correction methods often fail to address severe motion, leading to distorted and unreliable results. Deep Learning (DL) alleviated such pitfalls through generalization with the cost of vanishing structures and hallucinations, making it challenging to apply in the medical field where hallucinated structures can tremendously impact the diagnostic outcome. In this work, we present an instance-wise motion correction pipeline that leverages motion-guided Implicit Neural Representations (INRs) to mitigate the impact of motion artifacts while retaining anatomical structure. Our method is evaluated using the NYU fastMRI dataset with different degrees of simulated motion severity. For the correction alone, we can improve over state-of-the-art image reconstruction methods by $+5\%$ SSIM, $+5\:db$ PSNR, and $+14\%$ HaarPSI. Clinical relevance is demonstrated by a subsequent experiment, where our method improves classification outcomes by at least $+1.5$ accuracy percentage points compared to motion-corrupted images.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)における運動アーティファクトは、比較的長い取得時間によって発生し、取得した画像の臨床的有用性を損なう可能性がある。 従来の動き補正法は、しばしば激しい動きに対処できず、歪んだり信頼性の低い結果をもたらす。 深層学習(DL)は、これらの落とし穴を、構造と幻覚を消失させるコストで一般化することで緩和し、幻覚構造が診断結果に大きな影響を及ぼす医療分野に適用することは困難である。 本研究では, 運動誘導型インプシットニューラル表現(INR)を利用して, 解剖学的構造を維持しつつ, 運動人工物の影響を軽減するインスタンスワイド動作補正パイプラインを提案する。 本手法は, シミュレーションの精度の異なるNYU高速MRIデータセットを用いて評価した。 補正だけでは、最先端の画像再構成手法を、SSIM$+5\%、PSNR$+5\:db$、HaarPSI$+14\%で改善できる。 臨床関連性はその後の実験で実証され, 動作不良画像と比較すると, 分類結果が少なくとも$1.5$の精度で改善された。

関連論文リスト

• 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)
• 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)
• 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)
• JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI with a Self-Calibrating Score-Based Diffusion Model [3.3053426917821134]
  アンダーサンプルMRI再構成のための動きパラメータとコイル感度マップを共同で推定する。 本手法は, 動きの影響を受けない, 疎サンプリングされたk空間データから, 高品質MRI画像の再構成を行うことができる。
  論文  参考訳（メタデータ） (2023-10-14T17:11:25Z)
• 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)
• Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs [0.0]
  深部畳み込み神経回路網(深部CNN)を用いた動きアーチファクトの補正手法を提案する。 我々は、Deep CNNを用いて、より複雑な運動場に剛性運動補償の概念を一般化できることを示した。
  論文  参考訳（メタデータ） (2023-03-30T09:16:13Z)
• 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)
• Motion Correction and Volumetric Reconstruction for Fetal Functional Magnetic Resonance Imaging Data [3.690756997172894]
  運動補正は胎児脳の機能的磁気共鳴イメージング(fMRI)において重要な前処理ステップである。 胎児のfMRIに対する現在の動作補正手法は、特定の取得時点から1つの3Dボリュームを選択する。 本稿では,外乱運動補正を用いて高解像度の基準体積を推定する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T19:11:16Z)
• Assessing Lesion Segmentation Bias of Neural Networks on Motion Corrupted Brain MRI [3.9694334747397484]
  病変分割タスクに係わるニューラルネットワークの性能に、異なるレベルの運動アーティファクトが与える影響を定量化する。 この結果から,カリキュラム学習を用いて学習したネットワークは,異なるレベルの運動アーティファクトの補償に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-12T21:06:40Z)
• 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)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。