論文の概要: Translation of Fetal Brain Ultrasound Images into Pseudo-MRI Images using Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2504.02408v1
• Date: Thu, 03 Apr 2025 08:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:57:29.833639
• Title: Translation of Fetal Brain Ultrasound Images into Pseudo-MRI Images using Artificial Intelligence
• Title（参考訳）: 人工知能を用いた胎児脳超音波画像の擬似MRI画像への変換
• Authors: Naomi Silverstein, Efrat Leibowitz, Ron Beloosesky, Haim Azhari,
• Abstract要約: 第3三期では、胎児の脳の複雑さは定量的データを抽出するために高い画像品質を必要とする。 対照的に、MRI(MRI)は優れた画像品質と組織分化を提供するが、利用できなく、高価であり、時間を要する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Ultrasound is a widely accessible and cost-effective medical imaging tool commonly used for prenatal evaluation of the fetal brain. However, it has limitations, particularly in the third trimester, where the complexity of the fetal brain requires high image quality for extracting quantitative data. In contrast, magnetic resonance imaging (MRI) offers superior image quality and tissue differentiation but is less available, expensive, and requires time-consuming acquisition. Thus, transforming ultrasonic images into an MRI-mimicking display may be advantageous and allow better tissue anatomy presentation. To address this goal, we have examined the use of artificial intelligence, implementing a diffusion model renowned for generating high-quality images. The proposed method, termed "Dual Diffusion Imposed Correlation" (DDIC), leverages a diffusion-based translation methodology, assuming a shared latent space between ultrasound and MRI domains. Model training was obtained utilizing the "HC18" dataset for ultrasound and the "CRL fetal brain atlas" along with the "FeTA " datasets for MRI. The generated pseudo-MRI images provide notable improvements in visual discrimination of brain tissue, especially in the lateral ventricles and the Sylvian fissure, characterized by enhanced contrast clarity. Improvement was demonstrated in Mutual information, Peak signal-to-noise ratio, Fr\'echet Inception Distance, and Contrast-to-noise ratio. Findings from these evaluations indicate statistically significant superior performance of the DDIC compared to other translation methodologies. In addition, a Medical Opinion Test was obtained from 5 gynecologists. The results demonstrated display improvement in 81% of the tested images. In conclusion, the presented pseudo-MRI images hold the potential for streamlining diagnosis and enhancing clinical outcomes through improved representation.
• Abstract（参考訳）: 超音波(Ultrasound)は、胎児脳の出生前評価に一般的に用いられる、広くアクセス可能で費用対効果の高い医療画像撮影ツールである。 しかし、特に第3三期では、胎児の脳の複雑さは定量的データを抽出するために高い画質を必要とする。 対照的に、MRI(MRI)は優れた画像品質と組織分化を提供するが、利用できなく、高価であり、時間を要する。 したがって、超音波画像をMRIミキシングディスプレイに変換することは利点があり、組織解剖学的表示が良くなる。 この目的を達成するために,我々は,高品質な画像を生成するために有名な拡散モデルを実装し,人工知能の利用について検討した。 提案手法はDual Diffusion Imposed correlation (DDIC) と呼ばれ, 超音波領域とMRI領域の共用潜時空間を仮定し, 拡散に基づく翻訳手法を利用する。 超音波用HC18データセットと、MRI用FeTAデータセットとともに、CRL胎児脳アトラスを用いてモデルトレーニングを行った。 生成した擬似MRI画像は、特に側心室およびSylvian fissureにおける脳組織の視覚的識別において顕著な改善をもたらす。 相互情報,ピーク信号対雑音比,Fr'echet知覚距離,コントラスト対雑音比で改善が示された。 これらの評価から,他の翻訳法と比較して,DDICの統計的に有意な性能を示した。 また,5名の婦人科医から臨床検査を施行した。 その結果,テスト画像の81%に表示改善が認められた。 以上の結果から,提案した擬似MRI画像は,画像表現の改善による診断の合理化と臨床成績の向上の可能性を秘めている。

関連論文リスト

• A CNN Approach to Automated Detection and Classification of Brain Tumors [0.0]
  本研究の目的は、提供されたMRIデータを分析して、健康な脳組織と脳腫瘍を分類することである。 モデル作成に使用されるデータセットは、3,264個の脳MRIスキャンを含む、一般にアクセス可能で検証された脳腫瘍分類(MRI)データベースである。
  論文  参考訳（メタデータ） (2025-02-13T19:33:26Z)
• Bidirectional Brain Image Translation using Transfer Learning from Generic Pre-trained Models [0.0]
  医療分野では、ラベル付き医療画像を取得することは労働集約的で費用がかかるため、データの不足に対処することが大きな課題である。 近年の研究では、この問題を克服するためにトランスファーラーニング(transfer learning)が提案されている。 本研究では,MR-CT画像翻訳の課題に対して,転送学習を適用した。
  論文  参考訳（メタデータ） (2025-01-21T20:30:15Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
  本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。 ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。 空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
  論文  参考訳（メタデータ） (2024-02-20T18:37:42Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• 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)
• 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)
• Self-Supervised Ultrasound to MRI Fetal Brain Image Synthesis [20.53251934808636]
  胎児脳MRI(Fetal brain magnetic resonance imaging)は、発達する脳の精細な画像を提供するが、第2三期異常検診には適さない。 本稿では,臨床用US画像から直接MRライクな画像を生成することを提案する。 提案するモデルは、外部アノテーションを使わずに、エンドツーエンドでトレーニング可能で自己管理できる。
  論文  参考訳（メタデータ） (2020-08-19T22:56:36Z)
• 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。