Fugu-MT 論文翻訳(概要): Artificial Intelligence Augmented Medical Imaging Reconstruction in Radiation Therapy

論文の概要: Artificial Intelligence Augmented Medical Imaging Reconstruction in Radiation Therapy

arxiv url: http://arxiv.org/abs/2504.08844v1
Date: Thu, 10 Apr 2025 23:02:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-15 16:50:18.992377
Title: Artificial Intelligence Augmented Medical Imaging Reconstruction in Radiation Therapy
Title（参考訳）: 放射線治療における人工知能を用いた医用画像再構成
Authors: Di Xu,
Abstract要約: 本稿では,放射線治療のためのAI駆動型医用画像再構成フレームワークについて紹介する。これらのフレームワークは、CT画像再構成の品質と速度の向上、DECT(Dual-Energy CT)マルチマテリアル分解(MMD)の洗練、および4D MRIの獲得を著しく加速するように設計されている。
参考スコア（独自算出の注目度）: 1.0360038906321904
License:
Abstract: Efficiently acquired and precisely reconstructed imaging are crucial to the success of modern radiation therapy (RT). Computed tomography (CT) and magnetic resonance imaging (MRI) are two common modalities for providing RT treatment planning and delivery guidance/monitoring. In recent decades, artificial intelligence (AI) has emerged as a powerful and widely adopted technique across various fields, valued for its efficiency and convenience enabled by implicit function definition and data-driven feature representation learning. Here, we present a series of AI-driven medical imaging reconstruction frameworks for enhanced radiotherapy, designed to improve CT image reconstruction quality and speed, refine dual-energy CT (DECT) multi-material decomposition (MMD), and significantly accelerate 4D MRI acquisition.
Abstract（参考訳）: 効率的に取得され、正確に再構成された画像は、現代の放射線治療(RT)の成功に不可欠である。 CT(CT)とMRI(MRI)は、RT治療計画とデリバリガイダンス/モニタリングの2つの一般的な手段である。近年、人工知能(AI)は、暗黙の関数定義とデータ駆動型特徴表現学習によって、その効率性と利便性が評価され、様々な分野において強力で広く採用されている技術として登場した。そこで我々は,CT画像再構成の質と速度の向上,DECT(Dual-Energy CT)多物質分解(MMD)の高度化,および4次元MRI取得の大幅な高速化を目的とした,拡張放射線治療のためのAI駆動型医用画像再構成フレームワークを提案する。

関連論文リスト

Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文参考訳（メタデータ） (2024-03-19T00:07:48Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文参考訳（メタデータ） (2023-10-31T16:39:56Z)
Artificial Intelligence-Based Image Reconstruction in Cardiac Magnetic Resonance [10.60359890890818]
近年,医用画像再構成のためのAIと機械学習アルゴリズム,特にDeep Learning(DL)ベースの手法の利用が著しい成長を遂げている。 DLベースの画像再構成は、心画像の取得と再構成の方法を変えるための有望な機会を提供する。本章では, 心磁気共鳴(CMR)画像再構成を中心に, DLを用いた心臓画像再構成技術の最近の進歩を概観する。
論文参考訳（メタデータ） (2022-09-21T12:13:18Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文参考訳（メタデータ） (2022-03-28T14:03:45Z)
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)
Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文参考訳（メタデータ） (2021-10-15T13:16:59Z)
AI-Enabled Ultra-Low-Dose CT Reconstruction [8.135337706680097]
本稿では,X線撮影と同等の低線量で画像品質を診断できるAIを用いたCT再構成法を提案する。臨床データセットの再構成結果から,36個のプロジェクションからのSUGARを用いて優れた画像の再構成が可能であることが示された。
論文参考訳（メタデータ） (2021-06-17T22:13:11Z)
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)
Structurally aware bidirectional unpaired image to image translation between CT and MR [0.14788776577018314]
深層学習技術は、複数の画像モダリティ間の画像変換に画像の可能性を活用するのに役立つ。これらの技術は、MRI情報のフィードバックにより、CT下で外科的計画を実行するのに役立つ。
論文参考訳（メタデータ） (2020-06-05T11:21:56Z)

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。