Fugu-MT 論文翻訳(概要): 3D Anatomical Structure-guided Deep Learning for Accurate Diffusion Microstructure Imaging

論文の概要: 3D Anatomical Structure-guided Deep Learning for Accurate Diffusion Microstructure Imaging

arxiv url: http://arxiv.org/abs/2502.17933v1
Date: Tue, 25 Feb 2025 07:52:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-26 15:21:27.688539
Title: 3D Anatomical Structure-guided Deep Learning for Accurate Diffusion Microstructure Imaging
Title（参考訳）: 精密拡散組織イメージングのための三次元解剖構造誘導深層学習
Authors: Xinrui Ma, Jian Cheng, Wenxin Fan, Ruoyou Wu, Yongquan Ye, Shanshan Wang,
Abstract要約: 本稿では,マクロレベルの先行する解剖学的情報とパラメータ間の相互情報とを同時に利用することにより,高忠実かつ迅速な拡散微細構造イメージングを実現する新しい枠組みを提案する。実験結果から,本手法は,ピーク信号対雑音比(PSNR)が30.51$pm$0.58,構造類似度指数(SSIM)が0.97$pm$0.004,複数拡散モデルのパラメトリックマップが0。
参考スコア（独自算出の注目度）: 7.986579222123474
License:
Abstract: Diffusion magnetic resonance imaging (dMRI) is a crucial non-invasive technique for exploring the microstructure of the living human brain. Traditional hand-crafted and model-based tissue microstructure reconstruction methods often require extensive diffusion gradient sampling, which can be time-consuming and limits the clinical applicability of tissue microstructure information. Recent advances in deep learning have shown promise in microstructure estimation; however, accurately estimating tissue microstructure from clinically feasible dMRI scans remains challenging without appropriate constraints. This paper introduces a novel framework that achieves high-fidelity and rapid diffusion microstructure imaging by simultaneously leveraging anatomical information from macro-level priors and mutual information across parameters. This approach enhances time efficiency while maintaining accuracy in microstructure estimation. Experimental results demonstrate that our method outperforms four state-of-the-art techniques, achieving a peak signal-to-noise ratio (PSNR) of 30.51$\pm$0.58 and a structural similarity index measure (SSIM) of 0.97$\pm$0.004 in estimating parametric maps of multiple diffusion models. Notably, our method achieves a 15$\times$ acceleration compared to the dense sampling approach, which typically utilizes 270 diffusion gradients.
Abstract（参考訳）: 拡散磁気共鳴イメージング(dMRI)は、生きたヒト脳の微細構造を探索する重要な非侵襲的手法である。従来の手作りおよびモデルに基づく組織組織再構成法は、広範囲の拡散勾配サンプリングを必要とすることが多く、組織組織情報の臨床的応用性を制限するのに時間を要する。近年のディープラーニングの進歩は, 組織構造推定の可能性を示唆している。しかし, 臨床的に実現可能なdMRIスキャンから組織組織を正確に推定することは, 適切な制約なしには困難である。本稿では,マクロレベルの先行する解剖学的情報とパラメータ間の相互情報とを同時に利用することにより,高忠実かつ迅速な拡散微細構造イメージングを実現する新しい枠組みを提案する。このアプローチは、ミクロ組織推定の精度を維持しながら、時間効率を向上させる。実験結果から,本手法は,ピーク信号対雑音比(PSNR)が30.51$\pm$0.58,構造類似度指数(SSIM)が0.97$\pm$0.004,複数拡散モデルのパラメトリックマップが0。特に,本手法は270の拡散勾配を利用する高密度サンプリング法と比較して15$\times$Accelerationを実現している。

関連論文リスト

ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文参考訳（メタデータ） (2025-01-08T05:15:43Z)
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)
DeepMpMRI: Tensor-decomposition Regularized Learning for Fast and High-Fidelity Multi-Parametric Microstructural MR Imaging [15.408939800451696]
本稿では,様々な拡散モデルから高速かつ高忠実なマルチパラメトリック推定を行うための統一フレームワークを提案する。 DeepMpMRIは、細部を効果的に捉えるために新しく設計されたテンソル分解ベースの正規化器を備えている。
論文参考訳（メタデータ） (2024-05-06T04:36:02Z)
Effect of structure-based training on 3D localization precision and quality [0.0]
本研究では,単一分子局在化顕微鏡におけるCNNアルゴリズムの構造に基づくトレーニング手法を提案する。このアプローチを従来のランダムベーストレーニング手法と比較し,LUENNパッケージをAIパイプラインとして利用した。以上の結果から,超高分解能顕微鏡の高度化に向けた構造ベーストレーニングアプローチの可能性が示唆された。
論文参考訳（メタデータ） (2023-09-29T14:17:31Z)
Correlated and Multi-frequency Diffusion Modeling for Highly Under-sampled MRI Reconstruction [14.687337090732036]
既存のMRI再建法の多くは、特定の組織領域を考慮せずに、全MR画像のtar-geted再構成を行う。これは、診断のための重要でない組織に対する再構成精度を強調できない可能性がある。そこで本研究では,k空間データの特性と拡散過程を組み合わせることで,マルチ周波数先行のマイニングに焦点をあてる。
論文参考訳（メタデータ） (2023-09-02T07:51:27Z)
Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文参考訳（メタデータ） (2023-06-05T22:09:06Z)
Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
論文参考訳（メタデータ） (2022-11-17T20:52:00Z)
Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文参考訳（メタデータ） (2022-05-31T13:26:51Z)
Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文参考訳（メタデータ） (2020-10-05T14:18:52Z)
Non-invasive quantitative imaging of selective microstructure-sizes with magnetic resonance [0.0]
本稿では,2つの測定値のみを必要とする手法と,その原理実証実験を用いて,選択的な微細構造サイズの画像を生成する手法について報告する。我々は、一般的に用いられる崩壊率ではなく、磁化「デカイシフト」を利用するスピンエチョ配列のマイクロ構造サイズのフィルタを設計する。
論文参考訳（メタデータ） (2020-06-03T04:15:38Z)
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。