論文の概要: Tumor likelihood estimation on MRI prostate data by utilizing k-Space information
- arxiv url: http://arxiv.org/abs/2407.06165v1
- Date: Tue, 4 Jun 2024 12:05:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 14:07:46.894534
- Title: Tumor likelihood estimation on MRI prostate data by utilizing k-Space information
- Title（参考訳）: k空間情報を用いたMRI前立腺画像の腫瘍確率推定
- Authors: M. Rempe, F. Hörst, C. Seibold, B. Hadaschik, M. Schlimbach, J. Egger, K. Kröninger, F. Breuer, M. Blaimer, J. Kleesiek,
- Abstract要約: 本研究は,前立腺癌推定におけるk-Spaceの有用性を示す。
コイル圧縮に高いアンダーサンプリング率と簡単な主成分分析(PCA)を用いることで,再構成に必要な時間を短縮する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel preprocessing and prediction pipeline for the classification of magnetic resonance imaging (MRI) that takes advantage of the information rich complex valued k-Space. Using a publicly available MRI raw dataset with 312 subject and a total of 9508 slices, we show the advantage of utilizing the k-Space for better prostate cancer likelihood estimation in comparison to just using the magnitudinal information in the image domain, with an AUROC of $86.1\%\pm1.8\%$. Additionally, by using high undersampling rates and a simple principal component analysis (PCA) for coil compression, we reduce the time needed for reconstruction by avoiding the time intensive GRAPPA reconstruction algorithm. By using digital undersampling for our experiments, we show that scanning and reconstruction time could be reduced. Even with an undersampling factor of 16, our approach achieves meaningful results, with an AUROC of $71.4\%\pm2.9\%$, using the PCA coil combination and taking into account the k-Space information. With this study, we were able to show the feasibility of preserving phase and k-Space information, with consistent results. Besides preserving valuable information for further diagnostics, this approach can work without the time intensive ADC and reconstruction calculations, greatly reducing the post processing, as well as potential scanning time, increasing patient comfort and allowing a close to real-time prediction.
- Abstract（参考訳）: そこで本稿では,k-Spaceの複雑な情報を利用したMRI(MRI)の分類のための,新しい前処理と予測パイプラインを提案する。
312の被験者と9508のスライスを持つMRIの生データセットを用いて、画像領域の陰影情報のみを用いた場合と比較して、k-Spaceを用いて前立腺癌推定を改善する利点を示し、AUROCは8,6.1\%\pm1.8\%$である。
さらに,コイル圧縮に高アンサンプリング率と簡単な主成分分析(PCA)を用いることで,時間集中型GRAPPA再構成アルゴリズムを回避して再構成に必要な時間を短縮する。
本実験では,デジタルアンダーサンプリングを用いて,走査時間と復元時間を短縮できることを示した。
アンダーサンプリング係数が16であっても,PCAコイルの組み合わせを用いてk空間情報を考慮し,AUROCが71.4\%\pm2.9\%$で有意義な結果が得られる。
そこで本研究では,保存相とk空間情報の実現可能性について一貫した結果を得た。
さらなる診断に有用な情報を保存することに加えて、この手法は、時間を要するADCと再構成計算を使わずに機能し、ポスト処理を大幅に削減し、スキャン時間を大幅に短縮し、患者の快適さを高め、リアルタイムに近い予測を可能にする。
関連論文リスト
- Adaptive Sampling of k-Space in Magnetic Resonance for Rapid Pathology Prediction [31.313223729491703]
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。
論文 参考訳（メタデータ） (2024-06-06T17:58:00Z) - NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。
トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。
提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
論文 参考訳（メタデータ） (2024-04-06T08:25:33Z) - 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) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - 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) - A Deep Learning-based Integrated Framework for Quality-aware
Undersampled Cine Cardiac MRI Reconstruction and Analysis [4.780348242743022]
我々は, アンダーサンプルシネCMRデータの再構成, セグメンテーション, 下流解析のための品質制御統合フレームワークを提案する。
このフレームワークは、取得したデータが十分であれば、高品質な再構成やセグメンテーションを生成するのに十分なときに、取得を停止することができるラジアルk空間データのアクティブな取得を可能にする。
論文 参考訳（メタデータ） (2022-05-02T18:02:22Z) - 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) - 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) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。