論文の概要: T1-contrast Enhanced MRI Generation from Multi-parametric MRI for Glioma Patients with Latent Tumor Conditioning
- arxiv url: http://arxiv.org/abs/2409.01622v1
- Date: Tue, 3 Sep 2024 05:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 02:43:06.887247
- Title: T1-contrast Enhanced MRI Generation from Multi-parametric MRI for Glioma Patients with Latent Tumor Conditioning
- Title(参考訳): T1造影MRIによる下行結腸癌に対する多パラメータMRIの有用性の検討
- Authors: Zach Eidex, Mojtaba Safari, Richard L. J. Qiu, David S. Yu, Hui-Kuo Shu, Hui Mao, Xiaofeng Yang,
- Abstract要約: ガドリニウム系造影剤(GBCA)は、グリオーマ患者のMRIスキャンで一般的に用いられる。
GBCA毒性の懸念が高まっている。
本研究では,事前コントラストマルチMRIからT1ポストコントラスト(T1C)を生成するディープラーニングフレームワークを開発した。
- 参考スコア(独自算出の注目度): 1.581761125201628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Gadolinium-based contrast agents (GBCAs) are commonly used in MRI scans of patients with gliomas to enhance brain tumor characterization using T1-weighted (T1W) MRI. However, there is growing concern about GBCA toxicity. This study develops a deep-learning framework to generate T1-postcontrast (T1C) from pre-contrast multiparametric MRI. Approach: We propose the tumor-aware vision transformer (TA-ViT) model that predicts high-quality T1C images. The predicted tumor region is significantly improved (P < .001) by conditioning the transformer layers from predicted segmentation maps through adaptive layer norm zero mechanism. The predicted segmentation maps were generated with the multi-parametric residual (MPR) ViT model and transformed into a latent space to produce compressed, feature-rich representations. The TA-ViT model predicted T1C MRI images of 501 glioma cases. Selected patients were split into training (N=400), validation (N=50), and test (N=51) sets. Main Results: Both qualitative and quantitative results demonstrate that the TA-ViT model performs superior against the benchmark MRP-ViT model. Our method produces synthetic T1C MRI with high soft tissue contrast and more accurately reconstructs both the tumor and whole brain volumes. The synthesized T1C images achieved remarkable improvements in both tumor and healthy tissue regions compared to the MRP-ViT model. For healthy tissue and tumor regions, the results were as follows: NMSE: 8.53 +/- 4.61E-4; PSNR: 31.2 +/- 2.2; NCC: 0.908 +/- .041 and NMSE: 1.22 +/- 1.27E-4, PSNR: 41.3 +/- 4.7, and NCC: 0.879 +/- 0.042, respectively. Significance: The proposed method generates synthetic T1C images that closely resemble real T1C images. Future development and application of this approach may enable contrast-agent-free MRI for brain tumor patients, eliminating the risk of GBCA toxicity and simplifying the MRI scan protocol.
- Abstract(参考訳): 目的: ガドリニウム系造影剤(GBCA)は、T1強調(T1W)MRIを用いて脳腫瘍のキャラクタリゼーションを高めるために、グリオーマ患者のMRIスキャンで一般的に用いられる。
しかし、GBCA毒性への懸念が高まっている。
本研究では,事前コントラストマルチパラメトリックMRIからT1ポストコントラスト(T1C)を生成するディープラーニングフレームワークを開発した。
アプローチ: 高品質なT1C画像を予測するTA-ViTモデルを提案する。
予測された腫瘍領域は、適応的な層ノルムゼロ機構によって予測されたセグメンテーションマップからトランスフォーマー層を条件付けすることにより、大幅に改善される(P < .001)。
予測されたセグメンテーションマップはマルチパラメトリック残差 (MPR) ViT モデルを用いて生成され、圧縮された特徴豊富な表現を生成するために潜在空間に変換された。
TA-ViTモデルは501症例のT1C MRI像を予測した。
選択した患者はトレーニング(N=400),バリデーション(N=50),テスト(N=51)に分けた。
主な結果: 定性的および定量的な結果は, TA-ViTモデルがベンチマークMPP-ViTモデルよりも優れていることを示している。
本手法は, 軟部組織コントラストの高い合成T1C MRIを作製し, 腫瘍および全脳容積をより正確に再構成する。
合成T1C画像は, MRP-ViTモデルと比較して, 腫瘍および健常組織において顕著に改善した。
NMSE: 8.53 +/- 4.61E-4; PSNR: 31.2 +/- 2.2; NCC: 0.908 +/- .041, NMSE: 1.22 +/- 1.27E-4, PSNR: 41.3 +/- 4.7, NCC: 0.879 +/- 0.042。
意義:本手法は実T1C画像によく似た合成T1C画像を生成する。
このアプローチの今後の展開と応用は、造影剤を伴わない造影MRIを脳腫瘍患者に提供し、GBCA毒性のリスクを排除し、MRIスキャンプロトコルを簡素化する可能性がある。
関連論文リスト
- Conditional Generative Models for Contrast-Enhanced Synthesis of T1w and T1 Maps in Brain MRI [1.6124737486286778]
仮想エンハンスメントのための生成モデル,より正確に条件付き拡散とフローマッチングの可能性について検討する。
定量的MRIとT1強調画像によるT1スキャンの性能について検討した。
モデル全体では、T1重み付きスキャンよりもT1スキャンの方がセグメンテーションが優れている。
論文 参考訳(メタデータ) (2024-10-11T15:11:24Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳(メタデータ) (2024-05-16T03:23:57Z) - Three-Dimensional Amyloid-Beta PET Synthesis from Structural MRI with Conditional Generative Adversarial Networks [45.426889188365685]
アルツハイマー病の徴候には、アミロイド-ベタ鉱床と脳萎縮がある。
PETは高価で侵襲的であり、患者を電離放射線に曝す。
MRIはより安価で、非侵襲的で、電離放射線を含まないが、脳萎縮の測定に限られる。
論文 参考訳(メタデータ) (2024-05-03T14:10:29Z) - Pre-examinations Improve Automated Metastases Detection on Cranial MRI [36.39673740985943]
コントラスト強調T1強調画像における高感度MMの自動検出
診断成績は造影T1強調画像と術前MRIで得られた。
論文 参考訳(メタデータ) (2024-03-13T06:18:08Z) - Pre- to Post-Contrast Breast MRI Synthesis for Enhanced Tumour Segmentation [0.9722528000969453]
本研究は, GAN(Generative Adversarial Network)を用いて, コントラスト前T1強調脂肪飽和乳房MRIを対応する第1DCE-MRIシーケンスに翻訳することにより, 合成コントラスト増強の実現可能性について検討した。
定量的な画像品質指標を用いて生成したDCE-MRIデータを評価し、3D乳房切片の下流タスクに適用する。
以上の結果から, 造影後DCE-MRI合成が乳房のセグメンテーションモデルの堅牢性向上に寄与する可能性が示唆された。
論文 参考訳(メタデータ) (2023-11-17T21:48:41Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - Synthetic CT Generation from MRI using 3D Transformer-based Denoising
Diffusion Model [2.232713445482175]
磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。
本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
論文 参考訳(メタデータ) (2023-05-31T00:32:00Z) - Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。
我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
論文 参考訳(メタデータ) (2023-05-21T21:16:20Z) - Exploring contrast generalisation in deep learning-based brain MRI-to-CT
synthesis [0.0]
MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。
ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
論文 参考訳(メタデータ) (2023-03-17T18:45:05Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-06T20:20:22Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z)
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。