論文の概要: MBSS-T1: Model-Based Self-Supervised Motion Correction for Robust Cardiac T1 Mapping
- arxiv url: http://arxiv.org/abs/2408.11992v2
- Date: Sun, 1 Sep 2024 07:04:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-04 16:32:02.565852
- Title: MBSS-T1: Model-Based Self-Supervised Motion Correction for Robust Cardiac T1 Mapping
- Title（参考訳）: MBSS-T1:ロバスト心臓T1マッピングのためのモデルベース自己監督運動補正
- Authors: Eyal Hanania, Ilya Volovik, Daphna Link-Sourani, Israel Cohen, Moti Freiman,
- Abstract要約: 心臓T1マッピングにおける動作補正のための自己教師型モデルMBSS-T1を導入する。
物理的制約は期待される信号減衰挙動を保証し、解剖学的制約は現実的な変形を維持する。
MBSS-T1は5倍の実験でベースライン深層学習に基づく画像登録手法より優れていた。
- 参考スコア（独自算出の注目度）: 14.798873955983714
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: T1 mapping is a valuable quantitative MRI technique for diagnosing diffuse myocardial diseases. Traditional methods, relying on breath-hold sequences and echo triggering, face challenges with patient compliance and arrhythmias, limiting their effectiveness. Image registration can enable motion-robust T1 mapping, but inherent intensity differences between time points pose a challenge. We introduce MBSS-T1, a self-supervised model for motion correction in cardiac T1 mapping, constrained by physical and anatomical principles. The physical constraints ensure expected signal decay behavior, while the anatomical constraints maintain realistic deformations. The unique combination of these constraints ensures accurate T1 mapping along the longitudinal relaxation axis. MBSS-T1 outperformed baseline deep-learning-based image registration approaches in a 5-fold experiment on a public dataset of 210 patients (STONE sequence) and an internal dataset of 19 patients (MOLLI sequence). MBSS-T1 excelled in model fitting quality ($R^2$: 0.975 vs. 0.941, 0.946), anatomical alignment (Dice score: 0.89 vs. 0.84, 0.88), and expert visual quality assessment for the presence of visible motion artifacts (4.33 vs. 3.38, 3.66). MBSS-T1 has the potential to enable motion-robust T1 mapping for a broader range of patients, overcoming challenges such as arrhythmias and suboptimal compliance, and allowing for free-breathing T1 mapping without requiring large training datasets. Our code will be publicly available upon acceptance.
- Abstract（参考訳）: T1マッピングは、拡散性心筋疾患の診断に有用な定量的MRI技術である。
従来の方法では、呼吸ホールドシーケンスとエコートリガーを頼りにしており、患者のコンプライアンスと不整脈による課題に直面し、その効果を制限している。
画像の登録は、モーションロバストなT1マッピングを可能にするが、時間点間の固有の強度差は困難である。
心臓T1マッピングにおける運動補正の自己制御モデルMBSS-T1を導入する。
物理的制約は期待される信号減衰挙動を保証し、解剖学的制約は現実的な変形を維持する。
これらの制約のユニークな組み合わせは、縦方向緩和軸に沿った正確なT1マッピングを保証する。
MBSS-T1は210例のパブリックデータセット(STONEシークエンス)と19例の社内データセット(MOLLIシークエンス)の5倍の実験において、ベースライン深層学習に基づく画像登録のアプローチよりも優れていた。
MBSS-T1はモデル適合性(R^2$:0.975 vs. 0.941, 0.946)、解剖学的アライメント(Dice score: 0.89 vs. 0.84, 0.88)、視覚的品質評価(4.33 vs. 3.38, 3.66)に優れていた。
MBSS-T1は、広範囲の患者に対してモーションローバストT1マッピングを可能にする可能性があり、不整脈や準最適コンプライアンスといった課題を克服し、大規模なトレーニングデータセットを必要とせずに、自由呼吸T1マッピングを可能にする。
私たちのコードは受理時に公開されます。
関連論文リスト
- RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping [3.293391422431541]
現在、心臓T1マッピングでは、運動補正の効果的な、堅牢で効率的な方法が欠如している。
本稿では,心的T1マッピングにおける動き補正のための深層学習に基づくトポロジ保存画像登録フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T14:38:35Z) - Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。
これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。
パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - Simulation of acquisition shifts in T2 Flair MR images to stress test AI
segmentation networks [0.0]
この手法はMR信号方程式に基づいてMR画像の「獲得シフト微分」をシミュレートする。
実験は、実際のMRスキャンによるシミュレーション画像の検証と、最先端のMS病変セグメンテーションネットワークにおけるストレステストの例を含む。
論文 参考訳（メタデータ） (2023-11-03T13:10:55Z) - PCMC-T1: Free-breathing myocardial T1 mapping with
Physically-Constrained Motion Correction [15.251935193140982]
自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。
信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
論文 参考訳（メタデータ） (2023-08-22T08:50:38Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer
for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。
まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。
そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文 参考訳（メタデータ） (2022-07-04T16:59:05Z) - 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) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Automated quantification of myocardial tissue characteristics from
native T1 mapping using neural networks with Bayesian inference for
uncertainty-based quality-control [6.415553085941694]
本研究では,確率的階層型MOLLIネットワークを用いたT1マッピングから組織を自動解析するフレームワークを提案する。
PHiSegネットワークとQCは、健康な被験者と慢性心筋症患者を含む英国バイオバンクのコホートで手動で解析された。
論文 参考訳（メタデータ） (2020-01-31T08:51:33Z)
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。