論文の概要: MR imaging in the low-field: Leveraging the power of machine learning

• arxiv url: http://arxiv.org/abs/2501.17211v1
• Date: Tue, 28 Jan 2025 15:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:53:08.020265
• Title: MR imaging in the low-field: Leveraging the power of machine learning
• Title（参考訳）: 低磁場MRI:機械学習のパワーを活用する
• Authors: Andreas Kofler, Dongyue Si, David Schote, Rene M Botnar, Christoph Kolbitsch, Claudia Prieto,
• Abstract要約: 低磁場および超低磁場MRIは、消費電力の低減、特定の吸収率の低減、磁場不均一性の低減、費用対効果などの利点がある。 しかし、低磁場MRIは信号対雑音比の低減や、空間分解能の低下やスキャン時間の短縮といった固有の課題に直面している。 この章では、これらの制限を克服する上での機械学習(ML)の役割に焦点を当て、低磁場と超低磁場MRIの課題と機会について考察する。
• 参考スコア（独自算出の注目度）: 1.9565398064443327
• License:
• Abstract: Recent innovations in Magnetic Resonance Imaging (MRI) hardware and software have reignited interest in low-field ($<1\,\mathrm{T}$) and ultra-low-field MRI ($<0.1\,\mathrm{T}$). These technologies offer advantages such as lower power consumption, reduced specific absorption rate, reduced field-inhomogeneities, and cost-effectiveness, presenting a promising alternative for resource-limited and point-of-care settings. However, low-field MRI faces inherent challenges like reduced signal-to-noise ratio and therefore, potentially lower spatial resolution or longer scan times. This chapter examines the challenges and opportunities of low-field and ultra-low-field MRI, with a focus on the role of machine learning (ML) in overcoming these limitations. We provide an overview of deep neural networks and their application in enhancing low-field and ultra-low-field MRI performance. Specific ML-based solutions, including advanced image reconstruction, denoising, and super-resolution algorithms, are discussed. The chapter concludes by exploring how integrating ML with low-field MRI could expand its clinical applications and improve accessibility, potentially revolutionizing its use in diverse healthcare settings.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)ハードウェアとソフトウェアにおける最近の革新は、低磁場(<1\,\mathrm{T}$)および超低磁場MRI(<0.1\,\mathrm{T}$)への関心を再燃させた。 これらの技術は、消費電力の低減、特定の吸収率の低減、フィールド不均一性の低減、コスト効率などの利点を提供し、リソース制限やポイント・オブ・ケアの代替案として有望なものである。 しかし、低磁場MRIは信号対雑音比の低減や、空間分解能の低下やスキャン時間の短縮といった固有の課題に直面している。 この章では、これらの制限を克服する上での機械学習(ML)の役割に焦点を当て、低磁場と超低磁場MRIの課題と機会について考察する。 我々は、ディープニューラルネットワークの概要とその低磁場および超低磁場MRI性能向上への応用について述べる。 高度な画像再構成、デノイング、超解像アルゴリズムを含む、MLベースの特定のソリューションについて論じる。 この章は、MLと低磁場MRIの統合が臨床応用を拡大し、アクセシビリティを向上し、多様な医療環境におけるMLの使用に革命をもたらす可能性を探求することで締めくくっている。

関連論文リスト

• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image Reconstruction from 0.5T MRI [22.024215676838185]
  本稿では,教師の学習機構を活用したメタラーニング手法を提案する。 最適なトランスポート駆動型教師は,高磁場MRI画像から低磁場MR画像への劣化過程を学習する。 そして、スコアベースの学生は、低磁場MRIから高磁場のようなMR像を再構成する逆問題を解決する。
  論文  参考訳（メタデータ） (2023-05-04T02:40:42Z)
• Low-field magnetic resonance image enhancement via stochastic image quality transfer [5.0300525464861385]
  低磁場(1T)磁気共鳴イメージング(MRI)スキャナーは、低所得国や中所得国(LMICs)で広く使われている。 低磁場MR画像は通常、高分解能画像(1.5T、3T以上)よりも解像度が低くコントラストが低い。 そこで本研究では、低磁場画像から高磁場で得られた画像から低磁場構造体MRIを推定することにより、画像品質変換(IQT)を提案する。
  論文  参考訳（メタデータ） (2023-04-26T08:52:29Z)
• ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance Image Reconstructions [0.688204255655161]
  加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。 アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。 本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
  論文  参考訳（メタデータ） (2022-06-15T03:42:18Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• Machine Learning in Magnetic Resonance Imaging: Image Reconstruction [1.6822770693792823]
  MRI画像再構成の分野では,機械学習の利用が爆発的に増加している。 我々は,MRI再建における現在の機械学習アプローチを要約し,その欠点,臨床応用,現状について考察する。
  論文  参考訳（メタデータ） (2020-12-09T20:38:20Z)

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。