論文の概要: DDO-IN: Dual Domains Optimization for Implicit Neural Network to Eliminate Motion Artifact in Magnetic Resonance Imaging

• arxiv url: http://arxiv.org/abs/2503.08056v1
• Date: Tue, 11 Mar 2025 05:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:43:44.130698
• Title: DDO-IN: Dual Domains Optimization for Implicit Neural Network to Eliminate Motion Artifact in Magnetic Resonance Imaging
• Title（参考訳）: DDO-IN:磁気共鳴画像における運動アーチファクト除去のためのインプシットニューラルネットワークのデュアルドメイン最適化
• Authors: Zhongyu Mai, Zewei Zhan, Hanyu Guo, Yulang Huang, Weifeng Su,
• Abstract要約: 画素と周波数領域の情報を統合する新しいデュアルドメイン最適化(DDO)手法を提案する。 The NYU fastMRI データセットによる実験結果から,本手法は既存手法よりも複数の評価指標で優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.0951772570165874
• License:
• Abstract: Magnetic resonance imaging (MRI) motion artifacts can seriously affect clinical diagnostics, making it challenging to interpret images accurately. Existing methods for eliminating motion artifacts struggle to retain fine structural details and simultaneously lack the necessary vividness and sharpness. In this study, we present a novel dual-domain optimization (DDO) approach that integrates information from the pixel and frequency domains guiding the recovery of clean magnetic resonance images through implicit neural representations(INRs). Specifically, our approach leverages the low-frequency components in the k-space as a reference to capture accurate tissue textures, while high-frequency and pixel information contribute to recover details. Furthermore, we design complementary masks and dynamic loss weighting transitioning from global to local attention that effectively suppress artifacts while retaining useful details for reconstruction. Experimental results on the NYU fastMRI dataset demonstrate that our method outperforms existing approaches in multiple evaluation metrics. Our code is available at https://anonymous.4open.science/r/DDO-IN-A73B.
• Abstract（参考訳）: MRI(MRI)モーションアーティファクトは臨床診断に深刻な影響を与え、画像の正確な解釈を困難にしている。 運動人工物を除去する既存の方法は、微細な構造的詳細を維持するのに苦労し、同時に必要な鮮明さと鋭さを欠いている。 本研究では,暗黙的ニューラル表現(INR)によるクリーンな磁気共鳴画像の回復を導くために,画素領域と周波数領域からの情報を統合する新しいデュアルドメイン最適化(DDO)手法を提案する。 具体的には, k空間の低周波成分を参考に, 高精度な組織テクスチャを捉える。 さらに, 補完マスクと動的損失重み付けをグローバルからローカルへ移行させ, 人工物を効果的に抑制し, 復元に有用な情報を保持する。 The NYU fastMRI データセットによる実験結果から,本手法は既存手法よりも複数の評価指標で優れていることが示された。 私たちのコードはhttps://anonymous.4open.science/r/DDO-IN-A73Bで利用可能です。

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)
• HAITCH: A Framework for Distortion and Motion Correction in Fetal Multi-Shell Diffusion-Weighted MRI [5.393543723150301]
  この研究は、マルチシェル高角解像度胎児dMRIデータの修正と再構成を行う最初の、かつ唯一公開されたツールであるHAITCHを提示する。 HaITCHは、動的歪み補正のためのblip-reversed dual-echo取得を含む、いくつかの技術的進歩を提供している。 HaITCHはアーティファクトの除去に成功し、高度な拡散モデリングに適した高忠実度胎児dMRIデータを再構成する。
  論文  参考訳（メタデータ） (2024-06-28T16:40:57Z)
• 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)
• 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)
• Hierarchical Perception Adversarial Learning Framework for Compressed Sensing MRI [16.432649991854984]
  アーティファクトのエイリアス化の課題に取り組むために,階層型認識逆学習フレームワーク(HP-ALF)を提案する。 HP-ALFは階層的なメカニズム(画像レベルの知覚とパッチレベルの知覚)で画像情報を知覚することができる。 3つのデータセットで検証した実験は、HP-ALFの有効性を示した。
  論文  参考訳（メタデータ） (2023-01-27T14:54:44Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• Localized Motion Artifact Reduction on Brain MRI Using Deep Learning with Effective Data Augmentation Techniques [2.0591563268976274]
  In-Scanner MotionはMRIの画質を低下させる 深層学習に基づくMRIアーティファクト縮小モデル(DMAR)を導入し,脳MRIスキャンにおける頭部運動アーティファクトの局在と補正を行う。
  論文  参考訳（メタデータ） (2020-07-10T03:30:27Z)

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。