論文の概要: DCRA-Net: Attention-Enabled Reconstruction Model for Dynamic Fetal Cardiac MRI
- arxiv url: http://arxiv.org/abs/2412.15342v1
- Date: Thu, 19 Dec 2024 19:17:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:23:03.063813
- Title: DCRA-Net: Attention-Enabled Reconstruction Model for Dynamic Fetal Cardiac MRI
- Title（参考訳）: DCRA-Net:ダイナミック胎児心MRIにおける注意型再建モデル
- Authors: Denis Prokopenko, David F. A. Lloyd, Amedeo Chiribiri, Daniel Rueckert, Joseph V. Hajnal,
- Abstract要約: 動的心再建注意ネットワーク (DCRA-Net) は空間的・時間的領域における注意機構を利用した新しい深層学習モデルである。
DCRA-Netは,42例の胎児と153例の成人の心MRIで再検討した。
格子アンダーサンプリング、データの一貫性、時間周波数表現を使用する場合、最高性能が達成された。
- 参考スコア（独自算出の注目度）: 10.530304369312496
- License:
- Abstract: Dynamic fetal heart magnetic resonance imaging (MRI) presents unique challenges due to the fast heart rate of the fetus compared to adult subjects and uncontrolled fetal motion. This requires high temporal and spatial resolutions over a large field of view, in order to encompass surrounding maternal anatomy. In this work, we introduce Dynamic Cardiac Reconstruction Attention Network (DCRA-Net) - a novel deep learning model that employs attention mechanisms in spatial and temporal domains and temporal frequency representation of data to reconstruct the dynamics of the fetal heart from highly accelerated free-running (non-gated) MRI acquisitions. DCRA-Net was trained on retrospectively undersampled complex-valued cardiac MRIs from 42 fetal subjects and separately from 153 adult subjects, and evaluated on data from 14 fetal and 39 adult subjects respectively. Its performance was compared to L+S and k-GIN methods in both fetal and adult cases for an undersampling factor of 8x. The proposed network performed better than the comparators for both fetal and adult data, for both regular lattice and centrally weighted random undersampling. Aliased signals due to the undersampling were comprehensively resolved, and both the spatial details of the heart and its temporal dynamics were recovered with high fidelity. The highest performance was achieved when using lattice undersampling, data consistency and temporal frequency representation, yielding PSNR of 38 for fetal and 35 for adult cases. Our method is publicly available at https://github.com/denproc/DCRA-Net.
- Abstract（参考訳）: 動的胎児心臓MRI(Dynamic fetal heart magnetic resonance imaging, MRI)は、成人と比較して胎児の速い心拍数と制御不能な胎児運動に特有の課題を呈する。
これは、周囲の母体解剖を包含するために、広い視野で高時間分解能と空間分解能を必要とする。
本研究では、空間的・時間的領域における注意機構と、胎児の心臓のダイナミックスを高速なフリーランニング(非ゲート)MRI取得から再構築するための時間周波数表現を用いた新しい深層学習モデルである、ダイナミック心臓再建注意ネットワーク(DCRA-Net)を紹介する。
DCRA-Netは,42名の胎児と153名の成人の心臓MRIを用いて,それぞれ14名の胎児と39名の成人の心臓MRIを用いて訓練を行った。
L+S法とk-GIN法を比較した。
提案ネットワークは, 正常格子および中央重み付きランダムアンダーサンプリングにおいて, 胎児データと成人データのコンパレータよりも優れた性能を示した。
アンダーサンプリングによるエイリアス信号は包括的に解決され、心の空間的詳細と時間的ダイナミクスは高い忠実度で回復した。
また, 格子アンダーサンプリング, データ一貫性, 時間周波数表現を用いた場合, 胎児38例, 成人35例のPSNRが得られた。
私たちのメソッドはhttps://github.com/denproc/DCRA-Net.comで公開されています。
関連論文リスト
- Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [22.7085949508143]
MRIは心臓診断において欠かせない役割を担っている。高速イメージングを可能にするため、k空間データをアンサンプすることができる。
この課題は、ディープラーニング再構築手法における広範なトレーニングデータを必要とする。
本研究では,高度に制限された学習データであっても,例外的に良好に動作可能な次元分離型学習手法を活用する,新規で効率的な手法を提案する。
論文 参考訳（メタデータ） (2024-02-24T23:56:15Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning [11.809564612082935]
ディープラーニング手法は、kt-SENSE取得戦略の最適化と、非ゲートkt-SENSE再構築品質の向上に役立つ。
そこで本研究では,kt-SENSEスタイルの取得したデータをインビボの広範囲なデータセットを用いて再構成するための教師付きディープラーニングネットワークについて検討する。
本研究は,母体解剖の詳細な描写を大規模に再現するが,胎児心臓の動的特性は低発現であることを示す。
論文 参考訳（メタデータ） (2023-08-15T17:22:42Z) - Unsupervised reconstruction of accelerated cardiac cine MRI using Neural
Fields [3.684766600912547]
心臓血管MRI(NF-cMRI)における暗黙的神経野表現に基づく教師なしアプローチを提案する。
提案手法は,26xおよび52xのアンダーサンプリング因子に対するゴールデンアングル・ラジアルマルチコイルのアンダーサンプリングにおいて評価された。
論文 参考訳（メタデータ） (2023-07-24T23:31:36Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Fine-tuning deep learning model parameters for improved super-resolution
of dynamic MRI with prior-knowledge [0.3914676152740142]
本研究は,空間情報を最大化するために,事前知識に基づく微調整による超解像(SR)MRI再構成を提案する。
損失のあるU-Netベースのネットワークをベンチマークでトレーニングし、1つの被写体固有の静的高分解能MRIを用いて微調整を行い、高分解能ダイナミック画像を得る。
論文 参考訳（メタデータ） (2021-02-04T16:11:53Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Deep variational network for rapid 4D flow MRI reconstruction [0.5156484100374058]
長い生体内スキャンタイムは、データ相関を利用する加速イメージング技術を必要とする。
本稿では,効率的なモデルベースディープニューラルネットワークを提案する。
ネットワークは、標準の消費者向けハードウェア上で、アンサンプされた4DフローMRIデータを1分以内で再構築する。
論文 参考訳（メタデータ） (2020-04-20T20:17:49Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。