論文の概要: A Physics-Informed Deep Learning Model for MRI Brain Motion Correction

• arxiv url: http://arxiv.org/abs/2502.09296v1
• Date: Thu, 13 Feb 2025 13:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:44:42.564253
• Title: A Physics-Informed Deep Learning Model for MRI Brain Motion Correction
• Title（参考訳）: MRI脳運動補正のための物理インフォームドディープラーニングモデル
• Authors: Mojtaba Safari, Shansong Wang, Zach Eidex, Richard Qiu, Chih-Wei Chang, David S. Yu, Xiaofeng Yang,
• Abstract要約: 本研究では,物理インフォームド・モーション補正ネットワークPI-MoCoNetを紹介する。 PI-MoCoNetは、空間情報とk空間情報を統合して、明示的な動きパラメーター推定なしで動きアーチファクトを除去する。
• 参考スコア（独自算出の注目度）: 1.049272273597108
• License:
• Abstract: Background: MRI is crucial for brain imaging but is highly susceptible to motion artifacts due to long acquisition times. This study introduces PI-MoCoNet, a physics-informed motion correction network that integrates spatial and k-space information to remove motion artifacts without explicit motion parameter estimation, enhancing image fidelity and diagnostic reliability. Materials and Methods: PI-MoCoNet consists of a motion detection network (U-net with spatial averaging) to identify corrupted k-space lines and a motion correction network (U-net with Swin Transformer blocks) to reconstruct motion-free images. The correction is guided by three loss functions: reconstruction (L1), perceptual (LPIPS), and data consistency (Ldc). Motion artifacts were simulated via rigid phase encoding perturbations and evaluated on IXI and MR-ART datasets against Pix2Pix, CycleGAN, and U-net using PSNR, SSIM, and NMSE. Results: PI-MoCoNet significantly improved image quality. On IXI, for minor artifacts, PSNR increased from 34.15 dB to 45.95 dB, SSIM from 0.87 to 1.00, and NMSE reduced from 0.55% to 0.04%. For moderate artifacts, PSNR improved from 30.23 dB to 42.16 dB, SSIM from 0.80 to 0.99, and NMSE from 1.32% to 0.09%. For heavy artifacts, PSNR rose from 27.99 dB to 36.01 dB, SSIM from 0.75 to 0.97, and NMSE decreased from 2.21% to 0.36%. On MR-ART, PI-MoCoNet achieved PSNR gains of ~10 dB and SSIM improvements of up to 0.20, with NMSE reductions of ~6%. Ablation studies confirmed the importance of data consistency and perceptual losses, yielding a 1 dB PSNR gain and 0.17% NMSE reduction. Conclusions: PI-MoCoNet effectively mitigates motion artifacts in brain MRI, outperforming existing methods. Its ability to integrate spatial and k-space information makes it a promising tool for clinical use in motion-prone settings. Code: https://github.com/mosaf/PI-MoCoNet.git.
• Abstract（参考訳）: 背景:MRIは脳画像撮影には不可欠だが、長い取得時間のために運動アーチファクトに非常に影響を受けやすい。 本研究では,空間情報とk空間情報を統合した物理インフォーマルな運動補正ネットワークPI-MoCoNetを紹介した。 材料と方法:PI-MoCoNetは、劣化したk空間線を識別する動き検出ネットワーク(U-netと空間平均化)と、動きのない画像を再構成する動き補正ネットワーク(U-netとSwin Transformerブロック)から構成される。 この補正は、再構成(L1)、知覚(LPIPS)、データの一貫性(Ldc)の3つの損失関数によって導かれる。 運動アーティファクトは,PSNR,SSIM,NMSEを用いたPix2Pix,CycleGAN,U-netに対するIXIおよびMR-ARTデータセットを用いて,剛性位相符号化によるシミュレーションを行った。 結果:PI-MoCoNetは画像品質を著しく改善した。 IXIの場合、PSNRは34.15dBから45.95dBに増加し、SSIMは0.87から1.00に、NMSEは0.55%から0.04%に減少した。 適度なアーティファクトでは、PSNRは30.23dBから42.16dBに改善され、SSIMは0.80から0.99に、NMSEは1.32%から0.09%に改善された。 重金属については、PSNRは27.99dBから36.01dBに上昇し、SSIMは0.75から0.97に、NMSEは2.21%から0.36%に低下した。 MR-ARTでは、PI-MoCoNetはPSNRが約10dB、SSIMが最大0.20、NMSEが約6%向上した。 アブレーション研究によりデータの一貫性と知覚的損失の重要性が確認され、PSNRは1dB増加し、NMSEは0.17%減少した。 結論:PI-MoCoNetは、脳MRIの運動アーティファクトを効果的に軽減し、既存の方法より優れています。 空間情報とk空間情報を統合する能力は、モーションプロン設定における臨床利用に有望なツールとなる。 コード:https://github.com/mosaf/PI-MoCoNet.git

関連論文リスト

• Future frame prediction in chest cine MR imaging using the PCA respiratory motion model and dynamically trained recurrent neural networks [0.0]
  肺放射線治療システムは、推定腫瘍位置の不確実性や健康な組織の高照射を引き起こす遅延を受ける。 この研究は、オンライン学習アルゴリズムで訓練されたRNNを用いて、胸部ダイナミックMRIシーケンスの将来のフレーム予測に対処し、その遅延を補償する。
  論文  参考訳（メタデータ） (2024-10-08T10:21:43Z)
• JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI with a Self-Calibrating Score-Based Diffusion Model [3.3053426917821134]
  アンダーサンプルMRI再構成のための動きパラメータとコイル感度マップを共同で推定する。 本手法は, 動きの影響を受けない, 疎サンプリングされたk空間データから, 高品質MRI画像の再構成を行うことができる。
  論文  参考訳（メタデータ） (2023-10-14T17:11:25Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• Reconstruction of Cardiac Cine MRI Using Motion-Guided Deformable Alignment and Multi-Resolution Fusion [4.828904401099519]
  心血管MRIの再構成を改善するために,新しいエンド・ツー・エンド深層学習ネットワークを開発した。 提案手法は, よりリッチな細部と, 異なる加速度による心血管MRI再建のためのアーティファクトの少ない高品質な結果を示す。
  論文  参考訳（メタデータ） (2023-03-09T01:03:35Z)
• Motion correction in MRI using deep learning and a novel hybrid loss function [11.424624100447332]
  脳磁気共鳴画像(MRI)における運動アーチファクト抑制のための深層学習法(MC-Net)の開発 MC-Netは、2段階のマルチロス関数と組み合わせたUNetから派生した。
  論文  参考訳（メタデータ） (2022-10-19T14:40:41Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction [7.532638301149741]
  磁気共鳴イメージング(MRI)の最重要課題は、取得時間短縮と運動アーティファクトの減少である 深層学習に基づく画像復元は、高分解能かつモーションアーティファクトのないMRI画像を生成するための有望なソリューションとして登場した。 本研究では, 擬似3次元MRI画像の超解像再構成(SRR)と動きアーチファクト縮小(MAR)のための統合された2次元ディープラーニングフレームワークを採用した。 ネットワークの精度は画素ワイドの不確実性マップを用いて評価し、最先端の手法に対して性能をベンチマークした。
  論文  参考訳（メタデータ） (2021-11-28T22:58:00Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)

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。