論文の概要: WALINET: A water and lipid identification convolutional Neural Network for nuisance signal removal in 1H MR Spectroscopic Imaging
- arxiv url: http://arxiv.org/abs/2410.00746v1
- Date: Tue, 1 Oct 2024 14:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 04:05:39.003332
- Title: WALINET: A water and lipid identification convolutional Neural Network for nuisance signal removal in 1H MR Spectroscopic Imaging
- Title（参考訳）: WALINET:1H MR Spectroscopic Imagingにおけるニュアンス信号除去のための水と脂質の識別畳み込みニューラルネットワーク
- Authors: Paul Weiser, Georg Langs, Stanislav Motyka, Wolfgang Bogner, Sébastien Courvoisier, Malte Hoffmann, Antoine Klauser, Ovidiu C. Andronesi,
- Abstract要約: 全脳1H-MRSIの長年の問題は、代謝産物ピークと頭皮からの脂質シグナルのスペクトルオーバーラップである。
我々は脳1H-MRSIにおける水と脂質の除去のための改良Y-NETネットワークに基づく深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 1.1352443270321104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose. Proton Magnetic Resonance Spectroscopic Imaging (1H-MRSI) provides non-invasive spectral-spatial mapping of metabolism. However, long-standing problems in whole-brain 1H-MRSI are spectral overlap of metabolite peaks with large lipid signal from scalp, and overwhelming water signal that distorts spectra. Fast and effective methods are needed for high-resolution 1H-MRSI to accurately remove lipid and water signals while preserving the metabolite signal. The potential of supervised neural networks for this task remains unexplored, despite their success for other MRSI processing. Methods. We introduce a deep-learning method based on a modified Y-NET network for water and lipid removal in whole-brain 1H-MRSI. The WALINET (WAter and LIpid neural NETwork) was compared to conventional methods such as the state-of-the-art lipid L2 regularization and Hankel-Lanczos singular value decomposition (HLSVD) water suppression. Methods were evaluated on simulated and in-vivo whole-brain MRSI using NMRSE, SNR, CRLB, and FWHM metrics. Results. WALINET is significantly faster and needs 8s for high-resolution whole-brain MRSI, compared to 42 minutes for conventional HLSVD+L2. Quantitative analysis shows WALINET has better performance than HLSVD+L2: 1) more lipid removal with 41% lower NRMSE, 2) better metabolite signal preservation with 71% lower NRMSE in simulated data, 155% higher SNR and 50% lower CRLB in in-vivo data. Metabolic maps obtained by WALINET in healthy subjects and patients show better gray/white-matter contrast with more visible structural details. Conclusions. WALINET has superior performance for nuisance signal removal and metabolite quantification on whole-brain 1H-MRSI compared to conventional state-of-the-art techniques. This represents a new application of deep-learning for MRSI processing, with potential for automated high-throughput workflow.
- Abstract（参考訳）: 目的。
プロトン磁気共鳴分光画像(Proton Magnetic Resonance Spectroscopic Imaging, 1H-MRSI)は、代謝の非侵襲的なスペクトル空間マッピングを提供する。
しかし、脳1H-MRSIの長年の問題は、代謝産物ピークのスペクトル重なりと頭皮からの大きな脂質信号、スペクトルを歪ませる圧倒的な水信号である。
高分解能の1H-MRSIでは, 代謝産物のシグナルを保存しながら, 脂質および水シグナルを正確に除去する高速かつ効果的な方法が必要である。
このタスクのための教師付きニューラルネットワークの可能性は、他のMRSI処理の成功にもかかわらず、まだ解明されていない。
メソッド。
我々は脳1H-MRSIにおける水と脂質の除去のための改良Y-NETネットワークに基づく深層学習手法を提案する。
WALINET (WAter and LIpid Neural Networkwork) は, 最先端の脂質L2正則化法やハンケル・ランツォス特異値分解法 (HLSVD) などの従来の手法と比較した。
NMRSE, SNR, CRLB, FWHM測定値を用いて, シミュレーションおよび脳内MRSIの評価を行った。
結果。
WALINETは非常に高速で、従来のHLSVD+L2では42分だったが、高解像度の全脳MRSIでは8秒を要する。
定量的解析により、WALINETはHLSVD+L2よりも優れた性能を示している。
1) NRMSEが41%低下し, 脂質除去率が高くなった。
2) シミュレーションデータでは, NRMSEが71%, SNRが155%, CRLBが50%低値であった。
健常者や患者においてWALINETが取得した代謝マップは、より目に見える構造とグレー/ホワイト・マターの対比が優れている。
結論。
WALINETは、従来の最先端技術と比較して、全脳1H-MRSIにおけるニュアンス信号除去と代謝物の定量化に優れた性能を有する。
これは、MRSI処理のためのディープラーニングの新しい応用であり、自動化されたハイスループットワークフローの可能性がある。
関連論文リスト
- A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。
拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。
FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
論文 参考訳（メタデータ） (2024-10-25T03:42:35Z) - Deep-ER: Deep Learning ECCENTRIC Reconstruction for fast high-resolution neurometabolic imaging [3.3771864230870072]
変化した神経代謝は、多くの神経疾患や脳がんにおいて重要な病理機構である。
ディープラーニングECCENTRIC再構成は、従来の方法よりも600倍高速な再構築を提供する。
論文 参考訳（メタデータ） (2024-09-26T21:20:51Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Preserved Edge Convolutional Neural Network for Sensitivity Enhancement
of Deuterium Metabolic Imaging (DMI) [10.884358837187243]
本研究は,Deuterium Metabolic Imaging (DMI)の感度向上のための深層学習手法を提案する。
畳み込みニューラルネットワーク(CNN)は低SNRから2H標識代謝物濃度を推定するために設計された。
推定精度は、MRIに基づく各DMIデータセットのエッジ保存正規化によるCNNの微調整によりさらに向上した。
論文 参考訳（メタデータ） (2023-09-08T03:41:54Z) - Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and
Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the
Human Connectome Development Cohort [55.41644538483948]
本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。
その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
論文 参考訳（メタデータ） (2023-07-03T18:06:36Z) - Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations
of Imperfection Factors and Overall Macromolecular Signal [16.574504002037]
代謝物とプロトンMSSを正確に定量することは依然として困難である。
ディープラーニングは、この全体的な量的問題を解決する複雑さを減らすために導入された。
QnetはクラウドコンピューティングプラットフォームであるCloudBrain-MRSにデプロイされている。
論文 参考訳（メタデータ） (2023-06-16T08:24:18Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Multi-scale Super-resolution Magnetic Resonance Spectroscopic Imaging
with Adjustable Sharpness [8.298481644220848]
既存のディープラーニングベースのMRSI超解像法では、アップスケーリング係数ごとに個別のネットワークをトレーニングする必要がある。
本稿では、アップスケーリング係数に基づいて畳み込みフィルタを変調するフィルタスケーリング戦略を用いて、このマルチスケール超解像問題に取り組む。
我々のネットワークは、超解法メタボリックマップの知覚的シャープネスを1つのネットワーク内で調整できるように、対向損失の重みに条件付けされている。
論文 参考訳（メタデータ） (2022-06-17T19:33:41Z) - HDNet: High-resolution Dual-domain Learning for Spectral Compressive
Imaging [138.04956118993934]
HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。
一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。
一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
論文 参考訳（メタデータ） (2022-03-04T06:37:45Z) - 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。