論文の概要: Accurate myocardial T1 mapping at 5T using an improved MOLLI method: A validation study

• arxiv url: http://arxiv.org/abs/2503.08425v1
• Date: Tue, 11 Mar 2025 13:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:17:29.336692
• Title: Accurate myocardial T1 mapping at 5T using an improved MOLLI method: A validation study
• Title（参考訳）: 改良MOLLI法による5T心筋T1マッピングの高精度化
• Authors: Linqi Ge, Yinuo Zhao, Yubo Guo, Yuanyuan Liu, Yihang Zhou, Haifeng Wang, Dong Liang, Hairong Zheng, Yining Wang, Yanjie Zhu,
• Abstract要約: The proposed 5T-SRIS method is based on a modified 5-(3)-3 MOLLI sequence with ECG gating and gradient echo readout。 5Tでの反転効率を向上させるため, 逆パルスは, 拡張型双曲性セシタント (HSn) とタンジェント/双曲性タンジェントパルスを用いて再設計された。 この方法はファントム研究や21人の健康なボランティア、9人の患者で検証された。
• 参考スコア（独自算出の注目度）: 22.55396194037359
• License:
• Abstract: Purpose: To develop 5T-SRIS, an improved 5T myocardial T1 mapping method based on MOLLI, which addresses limitations in inversion efficiency, readout perturbations, and imperfect magnetization recovery. Methods: The proposed 5T-SRIS method is based on a modified 5-(3)-3 MOLLI sequence with ECG gating and gradient echo readout. To improve inversion efficiency at 5T, the inversion pulse was redesigned using adiabatic hyperbolic secant (HSn) and tangent/hyperbolic tangent (Tan/Tanh) pulses. Signal evolution was modeled recursively with inversion efficiency and a correction factor (C) to correct inversion imperfections, and T1 values were estimated via nonlinear optimization. The method was validated in phantom studies, as well as in 21 healthy volunteers and 9 patients at 5T. Results: The optimized IR pulse based on the tangent/hyperbolic tangent pulse was found to outperform the conventional hyperbolic secant IR pulse at the 5T scanner. This optimized IR pulse achieves an average inversion factor of 0.9014within a B0 range of 250Hz and a B1 range of -50% to 20%. Phantom studies show that the 5T-SRIS achieved high accuracy with errors within 5%. In vivo studies with 21 healthy volunteers, the native myocardial T1 values were 1468 ms (apex), 1514 ms (middle), and 1545 ms (base). In vivo studies with 9 heart patients, the native myocardial T1 values were 1484 ms (apex), 1532 ms (middle), and 1581 ms (base). And the post myocardial T1 values were 669 ms (apex), 698 ms (middle), and 675 ms (base). Conclusion: The 5T-SRIS technique is robust and suitable for clinical cardiac imaging. This study demonstrates its feasibility for accurate myocardial T1 mapping at 5T, despite challenges related to magnetic field inhomogeneity. Keywords: Myocardial T1 mapping, 5T, improved MOLLI, 5T-SRIS
• Abstract（参考訳）: 目的: 5T-SRIS を開発するため,MOLLI を用いた 5T 心筋 T1 マッピング法を開発した。 方法: 提案した5T-SRIS法は,ECGゲーティングと勾配エコー読出を併用した5-(3)-3 MOLLI法に基づく。 5Tでの反転効率を向上させるため, 逆パルスは, 拡張型双曲性セシタント (HSn) とタンジェント/双曲性タンジェント (Tan/Tanh) パルスを用いて再設計された。 信号の進化は反転効率と補正係数(C)で再帰的にモデル化され、非線形最適化によりT1値が推定された。 この方法はファントム研究や21人の健康なボランティア、9人の患者で検証された。 結果: タンジェント/双曲型タンジェントパルスに基づく最適化IRパルスは, 5Tスキャナーにおいて従来の双曲型分離IRパルスよりも優れていた。 この最適化されたIRパルスは、平均反転係数0.9014で、B0範囲は250Hz、B1範囲は-50%から20%である。 ファントムの研究によると、5T-SRISは5%以内の誤差で高い精度を達成した。 健常者21名による生体実験では, 心筋T1値は1468ms (apex), 1514ms (middle), 1545ms (base)であった。 心筋T1値が1484ms (apex), 1532ms (middle), 1581ms (base) であった。 術後T1値は669 ms (apex), 698 ms (middle), 675 ms (base) であった。 結論: 5T-SRIS 法は堅牢であり, 臨床心臓画像撮影に適している。 本研究は、磁場不均一性に関連する課題にもかかわらず、5Tで正確な心筋T1マッピングの実現可能性を示した。 キーワード:心筋T1マッピング,5T,改善MOLLI,5T-SRIS

関連論文リスト

• Joint image reconstruction and segmentation of real-time cardiac MRI in free-breathing using a model based on disentangled representation learning [0.0]
  提案手法は心電図のゲーティングや呼吸ホールドを必要とせずに,高品質な心血管データを1～2分で取得できる。 スキャン時間が短く、患者の快適さが向上し、不整脈に対する堅牢性が向上し、患者への不適合が増している。
  論文  参考訳（メタデータ） (2024-09-13T08:17:51Z)
• MBSS-T1: Model-Based Subject-Specific Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [13.966263676155373]
  心臓T1マッピングにおける運動補正のための主観的自己教師モデルMBSS-T1を提案する。 MBSS-T1は210人の患者の公開データセット上で5倍の試験を行い、ベースライン深層学習登録法より優れていた。 MBSS-T1は、より広範囲の患者に対するモーションローバストT1マッピングを可能にし、準最適コンプライアンスなどの課題を克服する。
  論文  参考訳（メタデータ） (2024-08-21T21:03:36Z)
• Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
  膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。 そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。 T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
  論文  参考訳（メタデータ） (2024-05-20T20:37:27Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• 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)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Fully Automated Myocardial Strain Estimation from CMR Tagged Images using a Deep Learning Framework in the UK Biobank [0.33271859484894845]
  本研究の目的は,短軸磁気共鳴タグ画像から心筋のひずみを推定するために,完全自動ディープラーニングフレームワークの有効性と性能を実証することである。 この枠組みは、糖尿病、高血圧症、および以前の心臓発作の患者において、周囲のひずみを著しく減少させた。
  論文  参考訳（メタデータ） (2020-04-15T12:49:15Z)

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。