論文の概要: Deep End-to-end Adaptive k-Space Sampling, Reconstruction, and Registration for Dynamic MRI

• arxiv url: http://arxiv.org/abs/2411.18249v1
• Date: Wed, 27 Nov 2024 11:38:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:13.120073
• Title: Deep End-to-end Adaptive k-Space Sampling, Reconstruction, and Registration for Dynamic MRI
• Title（参考訳）: ダイナミックMRIにおける奥行き適応型k空間サンプリング,再構成,登録
• Authors: George Yiasemis, Jan-Jakob Sonke, Jonas Teuwen,
• Abstract要約: 適応型動的k空間サンプリング,再構成,登録を統合したエンドツーエンドのディープラーニングフレームワークを提案する。 提案するフレームワークは、これらのコンポーネントのプラグアンドプレイ統合を可能にする、特定の再構築および登録モジュールとは独立している。
• 参考スコア（独自算出の注目度）: 6.875699572081067
• License:
• Abstract: Dynamic MRI enables a range of clinical applications, including cardiac function assessment, organ motion tracking, and radiotherapy guidance. However, fully sampling the dynamic k-space data is often infeasible due to time constraints and physiological motion such as respiratory and cardiac motion. This necessitates undersampling, which degrades the quality of reconstructed images. Poor image quality not only hinders visualization but also impairs the estimation of deformation fields, crucial for registering dynamic (moving) images to a static reference image. This registration enables tasks such as motion correction, treatment planning, and quantitative analysis in applications like cardiac imaging and MR-guided radiotherapy. To overcome the challenges posed by undersampling and motion, we introduce an end-to-end deep learning (DL) framework that integrates adaptive dynamic k-space sampling, reconstruction, and registration. Our approach begins with a DL-based adaptive sampling strategy, optimizing dynamic k-space acquisition to capture the most relevant data for each specific case. This is followed by a DL-based reconstruction module that produces images optimized for accurate deformation field estimation from the undersampled moving data. Finally, a registration module estimates the deformation fields aligning the reconstructed dynamic images with a static reference. The proposed framework is independent of specific reconstruction and registration modules allowing for plug-and-play integration of these components. The entire framework is jointly trained using a combination of supervised and unsupervised loss functions, enabling end-to-end optimization for improved performance across all components. Through controlled experiments and ablation studies, we validate each component, demonstrating that each choice contributes to robust motion estimation from undersampled dynamic data.
• Abstract（参考訳）: ダイナミックMRIは、心臓機能評価、臓器の運動追跡、放射線治療ガイダンスなど、様々な臨床応用を可能にする。 しかしながら、動的k空間データの完全なサンプリングは、時間的制約や呼吸や心臓運動などの生理的運動のために不可能であることが多い。 これは、再構成画像の品質を低下させるアンダーサンプリングを必要とする。 画像の粗さは、可視化を妨げるだけでなく、動的(動き)な画像を静的な参照画像に登録するのに欠かせない変形場の推定を損なう。 この登録は、心臓画像やMR誘導放射線治療などの応用において、運動補正、治療計画、定量的分析などのタスクを可能にする。 アンダーサンプリングと動作によって生じる課題を克服するため,適応型動的k空間サンプリング,再構築,登録を統合したエンドツーエンドディープラーニング(DL)フレームワークを導入する。 提案手法は,動的k空間取得を最適化し,各ケースの最も関連性の高いデータを抽出する,DLベースの適応サンプリング戦略から始まる。 これに続いて、DLベースの再構成モジュールが、アンダーサンプされた移動データから正確な変形場推定に最適化された画像を生成する。 最後に、登録モジュールは、再構成された動的画像と静的参照とを一致させる変形場を推定する。 提案するフレームワークは、これらのコンポーネントのプラグアンドプレイ統合を可能にする、特定の再構築および登録モジュールとは独立している。 フレームワーク全体は、教師付きと教師なしの損失関数の組み合わせを使って、共同でトレーニングされている。 制御された実験とアブレーション研究を通じて、各成分を検証し、各選択がアンダーサンプリングされた動的データから頑健な動き推定に寄与することを示した。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Adaptive Compressed Sensing with Diffusion-Based Posterior Sampling [34.50287066865267]
  圧縮センシング(CS)は、高忠実度再構成に十分な測定値の小さなサブセットを選択することにより、高速な画像取得を容易にする。 アダプティブCSは、既に取得したデータから得られる情報に基づいて、将来の計測を動的に選択することで、このプロセスをさらに強化しようとしている。 AdaSenseは、ゼロショット後部サンプリングと事前学習拡散モデルを利用する新しい適応CSアプローチである。
  論文  参考訳（メタデータ） (2024-07-11T07:56:17Z)
• Simultaneous Map and Object Reconstruction [66.66729715211642]
  本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。 我々は、最近の新しいビュー合成法から着想を得て、大域的な最適化として再構築問題を提起する。 連続動作の慎重なモデリングにより, 回転するLiDARセンサの回転シャッター効果を補うことができる。
  論文  参考訳（メタデータ） (2024-06-19T23:53:31Z)
• Gear-NeRF: Free-Viewpoint Rendering and Tracking with Motion-aware Spatio-Temporal Sampling [70.34875558830241]
  本研究では,シーンをレンダリングする動的領域の階層化モデリングを可能にする意味的セマンティックギアに基づく,時間的(4D)埋め込みの学習方法を提案する。 同時に、ほぼ無償で、当社のトラッキングアプローチは、既存のNeRFベースのメソッドでまだ達成されていない機能である、自由視点(free-view of interest)を可能にします。
  論文  参考訳（メタデータ） (2024-06-06T03:37:39Z)
• Attention-aware non-rigid image registration for accelerated MR imaging [10.47044784972188]
  我々は,MRIの完全サンプリングと高速化のために,非厳密なペアワイズ登録を行うことのできる,注目に敏感なディープラーニングベースのフレームワークを提案する。 我々は、複数の解像度レベルで、登録された画像ペア間の類似性マップを構築するために、局所的な視覚表現を抽出する。 本モデルでは, 異なるサンプリング軌道にまたがって, 安定かつ一貫した運動場を導出することを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:25:07Z)
• FLex: Joint Pose and Dynamic Radiance Fields Optimization for Stereo Endoscopic Videos [79.50191812646125]
  内視鏡的シーンの再構築は、外科手術後の分析から教育訓練まで、様々な医療応用にとって重要な要素である。 変形組織の非常にダイナミックな環境下での移動内視鏡の挑戦的なセットアップに着目する。 複数重重なり合う4次元ニューラルラジアンスフィールド(NeRF)への暗黙的なシーン分離と、再構成とカメラのスクラッチからのポーズを協調的に最適化するプログレッシブ最適化手法を提案する。 これにより、使いやすさが向上し、5000フレーム以上の手術ビデオの処理に間に合うように復元能力を拡張できる。
  論文  参考訳（メタデータ） (2024-03-18T19:13:02Z)
• End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI [6.875699572081067]
  適応型動的MRIサブサンプリングと再構成のための新しいエンドツーエンドフレームワークを提案する。 我々のパイプラインは、DLベースの適応サンプリング装置を統合し、ケース固有の動的サブサンプリングパターンを生成し、最先端の2D動的再構成ネットワークでエンドツーエンドに訓練する。 以上の結果から,特に高加速度での再現性は良好であった。
  論文  参考訳（メタデータ） (2024-03-15T14:31:35Z)
• Generalized Implicit Neural Representation for Efficient MRI Parallel Imaging Reconstruction [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 フレームワークのINRモデルは、完全にサンプリングされたMR画像を空間座標と以前のボクセル固有の特徴の連続関数として扱う。 公開されているMRIデータセットの実験は、複数の加速度因子で画像を再構成する際の提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• 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)
• Motion Correction and Volumetric Reconstruction for Fetal Functional Magnetic Resonance Imaging Data [3.690756997172894]
  運動補正は胎児脳の機能的磁気共鳴イメージング(fMRI)において重要な前処理ステップである。 胎児のfMRIに対する現在の動作補正手法は、特定の取得時点から1つの3Dボリュームを選択する。 本稿では,外乱運動補正を用いて高解像度の基準体積を推定する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T19:11:16Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。