論文の概要: T1-PILOT: Optimized Trajectories for T1 Mapping Acceleration
- arxiv url: http://arxiv.org/abs/2502.20333v1
- Date: Thu, 27 Feb 2025 18:02:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-28 14:54:12.134012
- Title: T1-PILOT: Optimized Trajectories for T1 Mapping Acceleration
- Title（参考訳）: T1-PILOT:T1マッピング高速化のための最適化軌道
- Authors: Tamir Shor, Moti Freiman, Chaim Baskin, Alex Bronstein,
- Abstract要約: 本稿では,T1信号緩和モデルをサンプリング・再構成フレームワークに明示的に組み込むエンドツーエンド手法であるT1-PILOTを紹介する。
CMRxReconデータセットに関する広範な実験を通じて、T1-PILOTはいくつかのベースライン戦略を大幅に上回っている。
この結果から, 物理緩和モデルによるタンデムのサンプリング軌道の最適化により, 定量的精度が向上し, 取得時間が短縮されることがわかった。
- 参考スコア（独自算出の注目度）: 4.662327345551211
- License:
- Abstract: Cardiac T1 mapping provides critical quantitative insights into myocardial tissue composition, enabling the assessment of pathologies such as fibrosis, inflammation, and edema. However, the inherently dynamic nature of the heart imposes strict limits on acquisition times, making high-resolution T1 mapping a persistent challenge. Compressed sensing (CS) approaches have reduced scan durations by undersampling k-space and reconstructing images from partial data, and recent studies show that jointly optimizing the undersampling patterns with the reconstruction network can substantially improve performance. Still, most current T1 mapping pipelines rely on static, hand-crafted masks that do not exploit the full acceleration and accuracy potential. In this work, we introduce T1-PILOT: an end-to-end method that explicitly incorporates the T1 signal relaxation model into the sampling-reconstruction framework to guide the learning of non-Cartesian trajectories, crossframe alignment, and T1 decay estimation. Through extensive experiments on the CMRxRecon dataset, T1-PILOT significantly outperforms several baseline strategies (including learned single-mask and fixed radial or golden-angle sampling schemes), achieving higher T1 map fidelity at greater acceleration factors. In particular, we observe consistent gains in PSNR and VIF relative to existing methods, along with marked improvements in delineating finer myocardial structures. Our results highlight that optimizing sampling trajectories in tandem with the physical relaxation model leads to both enhanced quantitative accuracy and reduced acquisition times. Code for reproducing all results will be made publicly available upon publication.
- Abstract（参考訳）: 心臓T1マッピングは、心筋組織組成に関する重要な定量的洞察を与え、線維症、炎症、浮腫などの病態の評価を可能にする。
しかし、心臓の本質的にダイナミックな性質は、取得時間に厳密な制限を課し、高解像度のT1マッピングは永続的な課題である。
圧縮センシング(CS)アプローチは,k空間をアンサンプし,部分的データから画像を再構成することでスキャン期間を短縮し,最近の研究では,アンサンプのパターンと再構成ネットワークを協調的に最適化することで,性能を大幅に向上させることができる。
しかし、現在のT1マッピングパイプラインのほとんどは、フルアクセラレーションと精度のポテンシャルを活用できない、静的で手作りのマスクに依存している。
本研究では,T1信号緩和モデルをサンプリング・再構成フレームワークに明示的に組み込んだエンドツーエンド手法T1-PILOTを導入し,非モンテカルロ軌道,クロスフレームアライメント,T1減衰推定の学習を指導する。
CMRxReconデータセットに関する広範な実験を通じて、T1-PILOTはいくつかのベースライン戦略(学習されたシングルマスクや固定されたラジアルまたはゴールデンアングルサンプリングスキームを含む)を著しく上回り、より大きな加速係数で高いT1マップフィディリティを達成する。
特に,PSNR法とVIF法では従来法と比較して一貫した利得が観察され,より微細な心筋構造が明らかに改善された。
この結果から, 物理緩和モデルによるタンデムのサンプリング軌道の最適化により, 定量的精度が向上し, 取得時間が短縮されることがわかった。
すべての結果を再現するためのコードは、公開時に公開されます。
関連論文リスト
- RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping [3.293391422431541]
現在、心臓T1マッピングでは、運動補正の効果的な、堅牢で効率的な方法が欠如している。
本稿では,心的T1マッピングにおける動き補正のための深層学習に基づくトポロジ保存画像登録フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T14:38:35Z) - MBSS-T1: Model-Based Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [14.798873955983714]
心臓T1マッピングにおける動作補正のための自己教師型モデルMBSS-T1を導入する。
物理的制約は期待される信号減衰挙動を保証し、解剖学的制約は現実的な変形を維持する。
MBSS-T1は5倍の実験でベースライン深層学習に基づく画像登録手法より優れていた。
論文 参考訳（メタデータ） (2024-08-21T21:03:36Z) - A gradient-based approach to fast and accurate head motion compensation in cone-beam CT [35.44857854720086]
本稿では,勾配に基づく最適化アルゴリズムを用いたCBCT動作推定の新しい手法を提案する。
従来の手法に比べて19倍の速さで動き推定を劇的に高速化する。
運動補償後の初期平均3mmから0.61mmまでの再投射誤差を低減させる。
論文 参考訳（メタデータ） (2024-01-17T15:37:00Z) - PCMC-T1: Free-breathing myocardial T1 mapping with
Physically-Constrained Motion Correction [15.251935193140982]
自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。
信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
論文 参考訳（メタデータ） (2023-08-22T08:50:38Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer
for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。
まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。
そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文 参考訳（メタデータ） (2022-07-04T16:59:05Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information
Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。
公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文 参考訳（メタデータ） (2021-11-11T04:04:48Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z)
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。