論文の概要: Three-Dimensional Diffusion-Weighted Multi-Slab MRI With Slice Profile Compensation Using Deep Energy Model

• arxiv url: http://arxiv.org/abs/2501.17152v1
• Date: Tue, 28 Jan 2025 18:53:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:40:29.773895
• Title: Three-Dimensional Diffusion-Weighted Multi-Slab MRI With Slice Profile Compensation Using Deep Energy Model
• Title（参考訳）: 深部エネルギーモデルを用いたスライスプロファイル補償による3次元拡散重み付きマルチスラブMRI
• Authors: Reza Ghorbani, Jyothi Rikhab Chand, Chu-Yu Lee, Mathews Jacob, Merry Mani,
• Abstract要約: プラグイン・アンド・プレイADMMフレームワークにおける正規化スラブプロファイル符号化(PEN)手法を提案する。 提案手法は,非正規化およびテレビ正規化PEN手法と比較して画像品質を著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 10.99312739995288
• License:
• Abstract: Three-dimensional (3D) multi-slab acquisition is a technique frequently employed in high-resolution diffusion-weighted MRI in order to achieve the best signal-to-noise ratio (SNR) efficiency. However, this technique is limited by slab boundary artifacts that cause intensity fluctuations and aliasing between slabs which reduces the accuracy of anatomical imaging. Addressing this issue is crucial for advancing diffusion MRI quality and making high-resolution imaging more feasible for clinical and research applications. In this work, we propose a regularized slab profile encoding (PEN) method within a Plug-and-Play ADMM framework, incorporating multi-scale energy (MuSE) regularization to effectively improve the slab combined reconstruction. Experimental results demonstrate that the proposed method significantly improves image quality compared to non-regularized and TV-regularized PEN approaches. The regularized PEN framework provides a more robust and efficient solution for high-resolution 3D diffusion MRI, potentially enabling clearer, more reliable anatomical imaging across various applications.
• Abstract（参考訳）: 3次元マルチスラブ取得は、高分解能拡散強調MRIにおいて、最高の信号-雑音比(SNR)効率を達成するためによく用いられる技術である。 しかし、この技術は、解剖学的イメージングの精度を低下させるスラブ間の強度変動やエイリアスを引き起こすスラブ境界アーティファクトによって制限されている。 この課題に対処することは、拡散MRIの品質を向上し、臨床および研究用途に高解像度イメージングをより実現可能にするために重要である。 本研究では,プラグイン・アンド・プレイADMMフレームワークにおいて,マルチスケール・エナジー(MuSE)レギュラー化を取り入れた正規化スラブプロファイル符号化(PEN)手法を提案する。 実験により,提案手法は非正規化PEN法やテレビ正規化PEN法と比較して画像品質を著しく向上することが示された。 正規化されたPENフレームワークは、高解像度の3D拡散MRIのためのより堅牢で効率的なソリューションを提供する。

関連論文リスト

• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
  高分解能fMRIは脳のメソスケール組織への窓を提供する。 しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。 本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T03:33:36Z)
• 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)
• DisC-Diff: Disentangled Conditional Diffusion Model for Multi-Contrast MRI Super-Resolution [8.721585866050757]
  マルチコントラスト脳MRI超解像のための条件拡散モデルDisC-Diffを提案する。 DisC-Diffは修復における不確実性を効果的に推定し、安定した最適化プロセスを保証する。 578個の正常脳を含むIXIデータセットと316個の病理脳を含む臨床データセットの2つのデータセットに対するDisC-Diffの有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-24T11:42:45Z)
• CLADE: Cycle Loss Augmented Degradation Enhancement for Unpaired Super-Resolution of Anisotropic Medical Images [0.06597195879147556]
  3次元画像(3D)は医学的応用で人気があるが、厚く低空間分解能のスライスを持つ異方性3Dボリュームはスキャン時間を短縮するために取得されることが多い。 深層学習(DL)は超解像再構成(SRR)により高分解能特徴を復元するソリューションを提供する 腹部MRIおよび腹部CTにおけるCLADEの有用性を示すとともに,低分解能ボリュームよりもCLADE画像の画質が有意に向上した。
  論文  参考訳（メタデータ） (2023-03-21T13:19:51Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• 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)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。