論文の概要: Variable Resolution Sampling and Deep Learning Image Recovery for Accelerated Multi-Spectral MRI Near Metal Implants

• arxiv url: http://arxiv.org/abs/2410.23329v1
• Date: Wed, 30 Oct 2024 16:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:02:30.691123
• Title: Variable Resolution Sampling and Deep Learning Image Recovery for Accelerated Multi-Spectral MRI Near Metal Implants
• Title（参考訳）: 金属インプラント近傍の加速多スペクトルMRIにおける可変分解能サンプリングと深層学習画像復元
• Authors: Azadeh Sharafi, Nikolai J. Mickevicius, Mehran Baboli, Andrew S. Nencka, Kevin M. Koch,
• Abstract要約: 金属インプラントの使用の増加は、金属加工物に影響されたMRIスキャンを増大させた。 アンダーサンプルVRデータの深層学習再構成により,SSIM値とPSNR値が有意に向上した。 このアプローチは、スキャン時間を短縮したり、高分解能を実現することで、金属インプラント近傍のMRI検査を強化する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Purpose: This study presents a variable resolution (VR) sampling and deep learning reconstruction approach for multi-spectral MRI near metal implants, aiming to reduce scan times while maintaining image quality. Background: The rising use of metal implants has increased MRI scans affected by metal artifacts. Multi-spectral imaging (MSI) reduces these artifacts but sacrifices acquisition efficiency. Methods: This retrospective study on 1.5T MSI knee and hip data from patients with metal hardware used a novel spectral undersampling scheme to improve acquisition efficiency by ~40%. U-Net-based deep learning models were trained for reconstruction. Image quality was evaluated using SSIM, PSNR, and RESI metrics. Results: Deep learning reconstructions of undersampled VR data (DL-VR) showed significantly higher SSIM and PSNR values (p<0.001) compared to conventional reconstruction (CR-VR), with improved edge sharpness. Edge sharpness in DL-reconstructed images matched fully sampled references (p=0.5). Conclusion: This approach can potentially enhance MRI examinations near metal implants by reducing scan times or enabling higher resolution. Further prospective studies are needed to assess clinical value.
• Abstract（参考訳）: 目的: 本研究は, 画像品質を維持しつつ, 走査時間を短縮することを目的とした, 多スペクトルMRIのための可変分解能サンプリングと深層学習再構成手法を提案する。 背景: 金属インプラントの使用の増加は、金属加工物に影響されたMRIスキャンを増大させた。 マルチスペクトルイメージング(MSI)はこれらのアーティファクトを減らすが、取得効率を犠牲にする。 方法: 金属ハードウェア患者の1.5T MSI膝, 股関節データについて, 新たなスペクトルアンサンプ法を用いて, 取得効率を約40%向上した。 U-Netベースのディープラーニングモデルは再構築のために訓練された。 画像品質は,SSIM,PSNR,RESIを用いて評価した。 結果: アンダーサンプリングVRデータ(DL-VR)の深層学習再構成では, 従来のCR-VRに比べてSSIM値とPSNR値(p<0.001)が有意に高く, エッジシャープネスが向上した。 DL再構成画像のエッジシャープネスは, 完全サンプリング参照(p=0.5)と一致した。 結論:このアプローチは,スキャン時間を短縮したり,高分解能を実現することによって,金属インプラント近傍のMRI検査を強化する可能性がある。 臨床的価値を評価するためには、さらなる研究が必要である。

関連論文リスト

• Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
  圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。 ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。 CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
  コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。 本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
  論文  参考訳（メタデータ） (2023-06-01T10:29:58Z)
• A Faithful Deep Sensitivity Estimation for Accelerated Magnetic Resonance Imaging [18.49762839005719]
  本稿では,JDSIと呼ばれる統合深度感性推定と画像再構成ネットワークを提案する。 画像アーティファクトの除去の間に、高周波数情報を持つより忠実な感度マップが徐々に提供され、画像再構成が改善される。 生体内データセットとラジオロジカル・リーダーによる研究の結果、キャリブレーションベースとキャリブレーションレスの再構築の両方において、提案したJDSIは最先端の性能を視覚的に定量的に達成することを示した。
  論文  参考訳（メタデータ） (2022-10-23T13:10:12Z)
• A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
  臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
  論文  参考訳（メタデータ） (2022-08-26T18:34:41Z)
• Invertible Sharpening Network for MRI Reconstruction Enhancement [17.812760964428165]
  InvSharpNet(InvSharpNet)は,MRI再建の視覚的品質を改善するために提案される。 入力データを地上の真実にマッピングする従来の方法とは異なり、InvSharpNetは、ぼやけた変換を学ぶための後方トレーニング戦略を適用している。 さまざまなMRIデータセットの実験では、InvSharpNetはアーティファクトの少ない再構築シャープネスを改善することができる。
  論文  参考訳（メタデータ） (2022-06-06T18:21:48Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• 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)
• Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning [0.487576911714538]
  自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。 その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。 後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
  論文  参考訳（メタデータ） (2021-05-10T17:36:27Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。