論文の概要: Improved tissue sodium concentration quantification in breast cancer by reducing partial volume effects: a preliminary study
- arxiv url: http://arxiv.org/abs/2503.19570v1
- Date: Tue, 25 Mar 2025 11:43:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:55:17.168100
- Title: Improved tissue sodium concentration quantification in breast cancer by reducing partial volume effects: a preliminary study
- Title(参考訳): 部分体積効果の低下による乳癌組織ナトリウム濃度定量化の改善 : 予備的検討
- Authors: Olgica Zaric, Carmen Leser, Vladimir Juras, Alex Farr, Malina Gologan, Stanislas Rapacchi, Laura Villazan Garcia, Christian Singer, Siegfried Trattnig, Christian Licht, Ramona Woitek,
- Abstract要約: 重み付き全変化(wTV)と指向性全変化(dTV)、ガイド付き全変化(AGTV)、適応型コンバインド(ADC)を用いた23NaMRI画像の再構成を行った。
異なる画像再構成法を用いて, ナトリウムデータに基づく腫瘍体積の一致について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Introduction: In sodium (23Na) MRI, partial volume effects (PVE) are one of the most common causes of errors in the quantification of tissue sodium concentration (TSC) in vivo. Advanced image reconstruction algorithms, such as compressed sensing (CS), have been shown to potentially reduce PVE. Therefore, we investigated the feasibility of CS-based methods for image quality and TSC quantification accuracy improvement in patients with breast cancer (BC). Subjects and Methods: Three healthy participants and 12 female participants with BC were examined on a 7T MRI scanner in this study. We reconstructed 23Na-MRI images using the weighted total variation (wTV) and directional total variation (dTV), anatomically guided total variation (AG-TV), and adaptive combine (ADC) reconstruction and performed image quality assessment. We evaluated agreement in tumor volumes delineated on sodium data using the Dice score and performed TSC quantification for different image reconstruction approaches. Results: All methods provided sodium images of the breast with good quality. The mean Dice scores for wTV, dTV, and AG-TV were 65%, 72%, and 75%, respectively. In the breast tumors, average TSC values were 83.0, 72.0, 80.0, and 84.0 mmol/L, respectively. There was a significant difference between dTV and wTV (p<0.001), as well as between dTV and AG-TV (p<0.001) and dTV and ADC algorithm (p<0.001). Conclusion: The results of this study showed that there are differences in tumor appearance and TSC estimations that might be depending on the type of image reconstruction and parameters used, most likely due to differences in their robustness in reducing PVE.
- Abstract(参考訳): 紹介:Na(23Na)MRIでは、部分体積効果(PVE)が生体内での組織ナトリウム濃度(TSC)の定量化において最も多い原因の1つである。
圧縮センシング(CS)のような高度な画像再構成アルゴリズムは、PVEを減少させる可能性がある。
そこで我々は,乳癌(BC)における画像品質とTSC定量化精度向上のためのCS法の有用性について検討した。
対象と方法: 健常者3名, 女性12名を対象に, 7T MRIスキャナーを用いて検討した。
我々は,23Na-MRI画像に重み付き全変化(wTV)と指向性全変化(dTV)、解剖学的ガイド付き全変化(AG-TV)、適応型コンバインド(ADC)を用いて再構成を行い,画像品質評価を行った。
Dice スコアを用いて, ナトリウム濃度に比例した腫瘍容積の一致を評価し, 異なる画像再構成法でTSC定量化を行った。
結果: いずれの方法も, 良質な乳房のナトリウム像を提供していた。
WTV, DTV, AG-TVの平均スコアはそれぞれ65%, 72%, 75%であった。
乳腺腫瘍では,平均TSC値は83.0,72.0,80.0,84.0mmol/Lであった。
dTV と wTV (p<0.001) と dTV と AG-TV (p<0.001) と dTV と ADC のアルゴリズム (p<0.001) の間に有意な差が認められた。
結語: 本研究の結果, 画像再構成の種類やパラメータによって腫瘍の出現率とTSC推定の差がみられた。
関連論文リスト
- Variational U-Net with Local Alignment for Joint Tumor Extraction and Registration (VALOR-Net) of Breast MRI Data Acquired at Two Different Field Strengths [0.43163184307789293]
多次元乳房MRIは腫瘍の診断、特徴付け、治療計画を改善する可能性がある。
3Tや7Tのような異なるフィールド強度で取得された画像の正確なアライメントとデライン化は、依然として困難な研究課題である。
提案手法は, 異なる磁場強度で取得したMRIデータの関節腫瘍セグメント化とMRIデータの登録を可能とすることができる。
論文 参考訳(メタデータ) (2025-01-23T14:15:54Z) - Evaluating the Impact of Sequence Combinations on Breast Tumor Segmentation in Multiparametric MRI [0.0]
mpMRIにおける配列の組み合わせの効果は未解明のままである。
DCE配列を用いたnnU-Netモデルは機能腫瘍容積(FTV)セグメンテーションにおいて0.69$pm$0.18のDice類似係数(DSC)を達成した。
論文 参考訳(メタデータ) (2024-06-12T02:09:05Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳(メタデータ) (2024-03-19T17:57:24Z) - 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) - Classification of COVID-19 Patients with their Severity Level from Chest
CT Scans using Transfer Learning [3.667495151642095]
新型コロナウイルスの感染拡大を受け、病院のベッドなど医療機器の需要が高まっている。
これを念頭に置いて、私たちは新型コロナウイルスの検出と、胸部CTスキャンとDeep Learning事前訓練モデルを用いて重症度を評価する研究を共有しています。
私たちのモデルは、新型コロナウイルスとその重症度を検出するのに役立ちます。
論文 参考訳(メタデータ) (2022-05-27T06:22:09Z) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳(メタデータ) (2021-03-04T10:45:01Z) - Noise Reduction to Compute Tissue Mineral Density and Trabecular Bone
Volume Fraction from Low Resolution QCT [0.31666540219908274]
本稿では,QCT(Quantical Computed Tomography)ノイズ低減のための,特定の損失関数を持つ3次元ニューラルネットワークを提案する。
組織ミネラル密度 (TMD) や骨量比 (BV/TV) などの微細構造パラメータを、ノイズ低減フィルタや標準ノイズ低減フィルタよりもはるかに高精度に計算する。
論文 参考訳(メタデータ) (2020-11-04T16:17:24Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳(メタデータ) (2020-03-26T15:49:32Z) - Breast Cancer Detection Using Convolutional Neural Networks [0.0]
エチオピアでは女性がん患者の34%を占める乳がんが一般的である。
深層学習技術は医療画像分析の分野に革命をもたらしている。
本モデルは,マンモグラフィ(MG)画像において,腫瘤領域を検出し,良性または悪性の異常に分類する。
論文 参考訳(メタデータ) (2020-03-17T19:41:00Z)
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。