論文の概要: Deep learning of personalized priors from past MRI scans enables fast, quality-enhanced point-of-care MRI with low-cost systems

• arxiv url: http://arxiv.org/abs/2505.02470v1
• Date: Mon, 05 May 2025 08:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.612308
• Title: Deep learning of personalized priors from past MRI scans enables fast, quality-enhanced point-of-care MRI with low-cost systems
• Title（参考訳）: 過去のMRIスキャンからパーソナライズされた事前の深層学習は、低コストシステムによる高速で高品質な医療用MRIを可能にする
• Authors: Tal Oved, Beatrice Lena, Chloé F. Najac, Sheng Shen, Matthew S. Rosen, Andrew Webb, Efrat Shimron,
• Abstract要約: 低磁場MRIは安価なデバイスで手頃な画像を提供する。 低信号-雑音比(SNR)や組織コントラストを含む、長い走査と劣化した画像品質によって妨げられる。 我々は,過去の高磁場MRIスキャンから個人化された特徴を抽出するために深層学習を用いる新しい医療パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 12.925888137302874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance imaging (MRI) offers superb-quality images, but its accessibility is limited by high costs, posing challenges for patients requiring longitudinal care. Low-field MRI provides affordable imaging with low-cost devices but is hindered by long scans and degraded image quality, including low signal-to-noise ratio (SNR) and tissue contrast. We propose a novel healthcare paradigm: using deep learning to extract personalized features from past standard high-field MRI scans and harnessing them to enable accelerated, enhanced-quality follow-up scans with low-cost systems. To overcome the SNR and contrast differences, we introduce ViT-Fuser, a feature-fusion vision transformer that learns features from past scans, e.g. those stored in standard DICOM CDs. We show that \textit{a single prior scan is sufficient}, and this scan can come from various MRI vendors, field strengths, and pulse sequences. Experiments with four datasets, including glioblastoma data, low-field ($50mT$), and ultra-low-field ($6.5mT$) data, demonstrate that ViT-Fuser outperforms state-of-the-art methods, providing enhanced-quality images from accelerated low-field scans, with robustness to out-of-distribution data. Our freely available framework thus enables rapid, diagnostic-quality, low-cost imaging for wide healthcare applications.
• Abstract（参考訳）: MRI(MRI)は、高画質の画像を提供するが、そのアクセシビリティは高コストで制限されており、長期治療を必要とする患者に課題を提起している。 低磁場MRIは安価なデバイスで手頃な画像を提供するが、低信号-ノイズ比(SNR)や組織コントラストを含む、長時間のスキャンと画質低下によって妨げられる。 我々は,従来の高磁場MRIスキャンからパーソナライズされた特徴を抽出するためにディープラーニングを用い,それらを活用して,低コストシステムによる高速で高品質なフォローアップスキャンを実現する,新しい医療パラダイムを提案する。 SNRとコントラストの違いを克服するために,従来のDICOM CDに格納されているような過去のスキャンから特徴を学習する機能融合視覚変換器であるViT-Fuserを導入する。 このスキャンはMRIベンダー、フィールド強度、パルスシーケンスから得られる。 グリオブラストマデータ、ローフィールド(50mT$)、ウルトラローフィールド(6.5mT$)データを含む4つのデータセットを用いた実験では、ViT-Fuserが最先端の手法より優れており、加速されたローフィールドスキャンから高品質な画像を提供し、アウトオブ配布データに対する堅牢性を示している。 これにより、広範囲の医療アプリケーションに対して、迅速で、診断品質の高い、低コストのイメージングが可能になる。

関連論文リスト

• Pretext Task Adversarial Learning for Unpaired Low-field to Ultra High-field MRI Synthesis [5.998097558786736]
  低磁場MRIは、高磁場MRIと比較して、信号対雑音比(SNR)と空間分解能の低下に悩まされることが多い。 低磁場MRIデータからの高磁場MRI合成のためのPretext Task Adversarial (PTA) 学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-07T11:28:55Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• 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)
• Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability [3.6119644566822484]
  我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
  論文  参考訳（メタデータ） (2023-03-10T03:39:23Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• 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)
• Image Quality Transfer Enhances Contrast and Resolution of Low-Field Brain MRI in African Paediatric Epilepsy Patients [1.8884732354822316]
  1.5T または 3T スキャナーは、現在の臨床MRIの標準であるが、低磁場 (1T) スキャナーは、多くの低所得国や中所得国で依然として一般的である。 ローフィールドスキャナーは、等価解像度での信号対雑音比の低い画像を提供する。 画像品質伝達の最近のパラダイムは、0.36T構造画像を強化するために適用されている。
  論文  参考訳（メタデータ） (2020-03-16T13:46:58Z)

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。