論文の概要: MBSS-T1: Model-Based Subject-Specific Self-Supervised Motion Correction for Robust Cardiac T1 Mapping

• arxiv url: http://arxiv.org/abs/2408.11992v3
• Date: Thu, 06 Mar 2025 20:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:10.142128
• Title: MBSS-T1: Model-Based Subject-Specific 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に基づく主観的自己監督運動補正
• Authors: Eyal Hanania, Adi Zehavi-Lenz, Ilya Volovik, Daphna Link-Sourani, Israel Cohen, Moti Freiman,
• Abstract要約: 心臓T1マッピングにおける運動補正のための主観的自己教師モデルMBSS-T1を提案する。 MBSS-T1は210人の患者の公開データセット上で5倍の試験を行い、ベースライン深層学習登録法より優れていた。 MBSS-T1は、より広範囲の患者に対するモーションローバストT1マッピングを可能にし、準最適コンプライアンスなどの課題を克服する。
• 参考スコア（独自算出の注目度）: 13.966263676155373
• License:
• Abstract: Cardiac T1 mapping is a valuable quantitative MRI technique for diagnosing diffuse myocardial diseases. Traditional methods, relying on breath-hold sequences and cardiac triggering based on an ECG signal, face challenges with patient compliance, limiting their effectiveness. Image registration can enable motion-robust cardiac T1 mapping, but inherent intensity differences between time points pose a challenge. We present MBSS-T1, a subject-specific self-supervised model for motion correction in cardiac T1 mapping. Physical constraints, implemented through a loss function comparing synthesized and motion-corrected images, enforce signal decay behavior, while anatomical constraints, applied via a Dice loss, ensure realistic deformations. The unique combination of these constraints results in motion-robust cardiac T1 mapping along the longitudinal relaxation axis. 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 outperformed baseline deep-learning registration methods. It achieved superior model fitting quality ($R^2$: 0.975 vs. 0.941, 0.946 for STONE; 0.987 vs. 0.982, 0.965 for MOLLI free-breathing; 0.994 vs. 0.993, 0.991 for MOLLI breath-hold), anatomical alignment (Dice: 0.89 vs. 0.84, 0.88 for STONE; 0.963 vs. 0.919, 0.851 for MOLLI free-breathing; 0.954 vs. 0.924, 0.871 for MOLLI breath-hold), and visual quality (4.33 vs. 3.38, 3.66 for STONE; 4.1 vs. 3.5, 3.28 for MOLLI free-breathing; 3.79 vs. 3.15, 2.84 for MOLLI breath-hold). MBSS-T1 enables motion-robust T1 mapping for broader patient populations, overcoming challenges such as suboptimal compliance, and facilitates free-breathing cardiac T1 mapping without requiring large annotated datasets. Our code is available at https://github.com/TechnionComputationalMRILab/MBSS-T1.
• Abstract（参考訳）: 心臓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。 伝統的な方法では、呼吸ホールドシーケンスと心電図信号に基づく心臓のトリガーを頼りにしており、患者へのコンプライアンスの課題に直面し、その効果を制限している。 画像登録は、運動障害性心電図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ための主観的自己教師モデルMBSS-T1を提案する。 物理制約は合成画像と運動補正画像を比較した損失関数によって実装され、信号の減衰挙動を強制する一方、解剖学的制約はディース損失を通じて適用され、現実的な変形を保証する。 これらの制約のユニークな組み合わせは、縦方向の緩和軸に沿った運動障害性心電図T1マッピングをもたらす。 210人のパブリックデータセット(STONEシークエンス)と19人の内部データセット(MOLLIシークエンス)の5倍の実験では、MBSS-T1はベースライン深層学習登録法より優れていた。 R^2$:0.975 vs. 0.941, 0.946 for STONE; 0.987 vs. 0.982, 0.965 for MOLLI free-breathing; 0.994 vs. 0.993, 0.991 for MOLLI breath-hold; 解剖学的アライメント (Dice: 0.89 vs. 0.84, 0.88, STONE; 0.963 vs. 0.919, 0.851 for MOLLI free-breathing; 0.954 vs. 0.924, 0.871 for MOLLI breath-hold; 0.954 vs. 0.924, 0.871 for MOLLI breath-hold; 0.933 vs. 3.38, STONE; 4.1 vs.3.5, 3.28 for MOLLI free-breathing; 3.79, 3.84, 3.84, MOLLI breath-hold) および視覚的クオリティ(4.33 vs. MBSS-T1は、広範囲の患者に対するモーションローバストT1マッピングを可能にし、最適なコンプライアンスなどの課題を克服し、大きな注釈付きデータセットを必要とせずに、自由呼吸型T1マッピングを促進する。 私たちのコードはhttps://github.com/TechnionComputationalMRILab/MBSS-T1で公開されています。

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。