論文の概要: Fast-RF-Shimming: Accelerate RF Shimming in 7T MRI using Deep Learning

• arxiv url: http://arxiv.org/abs/2501.12157v1
• Date: Tue, 21 Jan 2025 14:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:22:18.116338
• Title: Fast-RF-Shimming: Accelerate RF Shimming in 7T MRI using Deep Learning
• Title（参考訳）: 高速RFシミング:ディープラーニングを用いた7T MRIにおける高速RFシミング
• Authors: Zhengyi Lu, Hao Liang, Ming Lu, Xiao Wang, Xinqiang Yan, Yuankai Huo,
• Abstract要約: 高次場は、電波透過(RF)磁場の不均一性のような課題を導入し、不均一なフリップ角と画像強度のアーチファクトをもたらす。 従来のRFシミング法(Magnitude Least Squares (MLS) 最適化、RFフィールドの不均一性を緩和するが、時間集約的であり、患者の存在を必要とすることが多い。 繰り返し投影されたリッジ回帰によるRFシム予測のような最近の機械学習手法は、代替アプローチを提供するが、広範なトレーニング要件のような課題に直面している。 本稿では,5000倍の高速化を実現するFast RF Shimmingという,総合的な学習ベースフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.39978444212565
• License:
• Abstract: Ultrahigh field (UHF) Magnetic Resonance Imaging (MRI) provides a high signal-to-noise ratio (SNR), enabling exceptional spatial resolution for clinical diagnostics and research. However, higher fields introduce challenges such as transmit radiofrequency (RF) field inhomogeneities, which result in uneven flip angles and image intensity artifacts. These artifacts degrade image quality and limit clinical adoption. Traditional RF shimming methods, including Magnitude Least Squares (MLS) optimization, mitigate RF field inhomogeneity but are time-intensive and often require the presence of the patient. Recent machine learning methods, such as RF Shim Prediction by Iteratively Projected Ridge Regression and other deep learning architectures, offer alternative approaches but face challenges such as extensive training requirements, limited complexity, and practical data constraints. This paper introduces a holistic learning-based framework called Fast RF Shimming, which achieves a 5000-fold speedup compared to MLS methods. First, random-initialized Adaptive Moment Estimation (Adam) derives reference shimming weights from multichannel RF fields. Next, a Residual Network (ResNet) maps RF fields to shimming outputs while incorporating a confidence parameter into the loss function. Finally, a Non-uniformity Field Detector (NFD) identifies extreme non-uniform outcomes. Comparative evaluations demonstrate significant improvements in both speed and predictive accuracy. The proposed pipeline also supports potential extensions, such as the integration of anatomical priors or multi-echo data, to enhance the robustness of RF field correction. This approach offers a faster and more efficient solution to RF shimming challenges in UHF MRI.
• Abstract（参考訳）: 超高磁場(UHF)磁気共鳴イメージング(MRI)は、高信号-雑音比(SNR)を提供し、臨床診断と研究のための例外的な空間分解能を実現する。 しかし、高次場は、不均一なフリップ角と画像強度のアーティファクトをもたらす、送信電波(RF)磁場の不均一性のような課題を提起する。 これらのアーティファクトは画像品質を低下させ、臨床応用を制限する。 従来のRFシミング法(Magnitude Least Squares (MLS) 最適化、RFフィールドの不均一性を緩和するが、時間集約的であり、患者の存在を必要とすることが多い。 RFシム予測(RF Shim Prediction)や反復投影リッジ回帰(Iteratively Projected Ridge Regression)といった最近の機械学習手法は、代替アプローチを提供するが、広範なトレーニング要件、制限された複雑さ、実用的なデータ制約といった課題に直面している。 本稿では,MLS法と比較して5000倍の高速化を実現するFast RF Shimmingという,総合的な学習ベースのフレームワークを提案する。 第一に、ランダム初期化適応モーメント推定(Adam)は、マルチチャネルRF場から参照シミング重みを導出する。 次に、Residual Network(ResNet)は、損失関数に信頼パラメータを組み込んだままRFフィールドをシミング出力にマッピングする。 最後に、非均一フィールド検出器(NFD)は、極端な非均一な結果を特定する。 比較評価は、速度と予測精度の両方において顕著な改善を示した。 提案したパイプラインは、RF磁場補正の堅牢性を高めるために、解剖学的先行データやマルチエコデータの統合などの潜在的な拡張もサポートする。 このアプローチは、UHF MRIにおけるRFシミングの課題に対して、より高速で効率的な解決策を提供する。

関連論文リスト

• Denoising Diffusion Probabilistic Models for Magnetic Resonance Fingerprinting [7.379135816468852]
  MRF(Magnetic Resonance Fingerprinting)は、MRIの定量的手法である。 正確な再建を達成することは、特に高度に加速され、アンサンプされた買収において、依然として困難である。 MRF画像再構成のための条件拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-29T21:38:54Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning [9.596613410358206]
  超高磁場(UHF)磁気共鳴イメージング(MRI)は信号対雑音比を高くし、空間分解能を高くする。 UHF MRIは、無線周波数(RF)磁場(B1+)の不均一性などの課題を導入し、不均一なフリップ角と画像強度異常をもたらす。 本研究では,新たな深層学習戦略を通じて,B1+フィールドの均一性を論じる。
  論文  参考訳（メタデータ） (2024-08-21T04:10:56Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent Radar [8.041399176135178]
  本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。 我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。 MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-12-16T06:21:42Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• CuNeRF: Cube-Based Neural Radiance Field for Zero-Shot Medical Image Arbitrary-Scale Super Resolution [78.734927709231]
  医用画像任意スケール超解像 (MIASSR) が最近注目され, 任意のスケールの医用ボリュームを単一モデルで超高精細化することを目指している。 連続領域における任意のスケールで医用画像が得られるゼロショットMIASSRフレームワークCuNeRFを提案する。
  論文  参考訳（メタデータ） (2023-03-28T18:36:19Z)
• Learning Federated Visual Prompt in Null Space for MRI Reconstruction [83.71117888610547]
  我々はMRI再建のためのグローバルプロンプトのヌル空間におけるフェデレートされた視覚的プロンプトを学習するための新しいアルゴリズムであるFedPRを提案する。 FedPRは、ローカルトレーニングデータの限られた量を与えられた場合、通信コストの6%で最先端のFLアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2023-03-28T17:46:16Z)
• One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
  この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。 RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。 変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
  論文  参考訳（メタデータ） (2023-01-20T02:35:43Z)
• SiNeRF: Sinusoidal Neural Radiance Fields for Joint Pose Estimation and Scene Reconstruction [147.9379707578091]
  NeRFmmは、共同最適化タスクを扱うNeRF(Neural Radiance Fields)である。 NeRFmmは正確なシーン合成とポーズ推定を行うが、難しいシーンで完全に注釈付けされたベースラインを上回るのに苦戦している。 放射光マッピングにおける正弦波活性化を利用する正弦波ニューラルレイディアンス場(SiNeRF)と、効率よく光束を選択するための新しい混合領域サンプリング(MRS)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T10:47:51Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)

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。