論文の概要: Missing Data Estimation for MR Spectroscopic Imaging via Mask-Free Deep Learning Methods

• arxiv url: http://arxiv.org/abs/2505.06811v1
• Date: Sun, 11 May 2025 01:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.051092
• Title: Missing Data Estimation for MR Spectroscopic Imaging via Mask-Free Deep Learning Methods
• Title（参考訳）: マスクなし深層学習法によるMR分光画像の欠測データ推定
• Authors: Tan-Hanh Pham, Ovidiu C. Andronesi, Xianqi Li, Kim-Doang Nguyen,
• Abstract要約: MRSIメタボリックマップに欠落したデータを推定するための,最初のディープラーニングベースのマスフリーフレームワークを提案する。 我々のモデルは、リトレーニングやマスク入力を必要とせず、実世界のデータセットによく当てはまる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Spectroscopic Imaging (MRSI) is a powerful tool for non-invasive mapping of brain metabolites, providing critical insights into neurological conditions. However, its utility is often limited by missing or corrupted data due to motion artifacts, magnetic field inhomogeneities, or failed spectral fitting-especially in high resolution 3D acquisitions. To address this, we propose the first deep learning-based, mask-free framework for estimating missing data in MRSI metabolic maps. Unlike conventional restoration methods that rely on explicit masks to identify missing regions, our approach implicitly detects and estimates these areas using contextual spatial features through 2D and 3D U-Net architectures. We also introduce a progressive training strategy to enhance robustness under varying levels of data degradation. Our method is evaluated on both simulated and real patient datasets and consistently outperforms traditional interpolation techniques such as cubic and linear interpolation. The 2D model achieves an MSE of 0.002 and an SSIM of 0.97 with 20% missing voxels, while the 3D model reaches an MSE of 0.001 and an SSIM of 0.98 with 15% missing voxels. Qualitative results show improved fidelity in estimating missing data, particularly in metabolically heterogeneous regions and ventricular regions. Importantly, our model generalizes well to real-world datasets without requiring retraining or mask input. These findings demonstrate the effectiveness and broad applicability of mask-free deep learning for MRSI restoration, with strong potential for clinical and research integration.
• Abstract（参考訳）: MRSI(MR Resonance Spectroscopic Imaging)は、脳の代謝産物を非侵襲的にマッピングするための強力なツールであり、神経疾患に対する重要な洞察を提供する。 しかし、その実用性は、特に高分解能な3D取得において、モーションアーティファクト、磁場の不均一性、スペクトル適合性の欠如によって、欠落または破損したデータによって制限されることが多い。 そこで本研究では,MRSI メタボリックマップに欠落したデータを推定するための,ディープラーニングベースのマスクフリーフレームワークを提案する。 本手法では,2次元および3次元U-Netアーキテクチャを用いて,空間的特徴を暗黙的に検出し,推定する。 また、さまざまなレベルのデータ劣化の下で堅牢性を高めるための、プログレッシブトレーニング戦略も導入する。 本手法は, シミュレーションおよび実際の患者データセットを用いて評価し, 立方体補間や線形補間といった従来の補間技術より一貫して優れていた。 2Dモデルは0.002のMSEと0.97のSSIMを20%のボクセルで達成し、3Dモデルは0.001のMSEと0.98のSSIMを15%のボクセルで達成する。 質的な結果から, 欠失データ, 特に代謝異質領域と心室領域における忠実度は改善した。 重要なことは、我々のモデルは、リトレーニングやマスク入力を必要とせずに、現実世界のデータセットにうまく一般化する。 MRSI修復におけるマスクフリーディープラーニングの有効性と適用性について検討した。

関連論文リスト

• SIMPLE: Simultaneous Multi-Plane Self-Supervised Learning for Isotropic MRI Restoration from Anisotropic Data [1.980639720136382]
  従来のMRIスキャンでは、技術的制約により異方性データが得られることが多い。 超解像技術は、異方性データから等方性高解像度画像を再構成することでこれらの制限に対処することを目的としている。 異方性データから等方性MRIを復元する「SIMPLE」について紹介する。
  論文  参考訳（メタデータ） (2024-08-23T13:48:11Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• A geometry-aware deep network for depth estimation in monocular endoscopy [17.425158094539462]
  提案手法は,異なるデータセットと臨床画像にまたがって広範囲に検証されている。 提案法の平均RMSE値は12.604(T1-L1)、9.930(T2-L2)、13.893(Colon)である。
  論文  参考訳（メタデータ） (2023-04-20T11:59:32Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。