論文の概要: Meta-learning Slice-to-Volume Reconstruction in Fetal Brain MRI using Implicit Neural Representations
- arxiv url: http://arxiv.org/abs/2505.09565v1
- Date: Wed, 14 May 2025 17:07:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-15 21:44:09.542373
- Title: Meta-learning Slice-to-Volume Reconstruction in Fetal Brain MRI using Implicit Neural Representations
- Title（参考訳）: Inlicit Neural Representation を用いた胎児脳MRIにおけるメタラーニングスライス・ツー・ヴォーム再構成
- Authors: Maik Dannecker, Thomas Sanchez, Meritxell Bach Cuadra, Özgün Turgut, Anthony N. Price, Lucilio Cordero-Grande, Vanessa Kyriakopoulou, Joseph V. Hajnal, Daniel Rueckert,
- Abstract要約: 複数の運動崩壊した低分解能2Dスライスからの高分解能スライス・ツー・ボリューム再構成(SVR)は、移動物体の画像ベース診断において重要なステップである。
既存のソリューションは、画像のアーティファクトや厳しい被写体の動きに苦しむか、あるいは、満足な再現性能を達成するためにスライス事前調整を必要とする。
本稿では,重度画像や動作不良の場合にも,高速かつ正確なMRI再構成を可能にする新しいSVR法を提案する。
- 参考スコア（独自算出の注目度）: 9.749932662063992
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: High-resolution slice-to-volume reconstruction (SVR) from multiple motion-corrupted low-resolution 2D slices constitutes a critical step in image-based diagnostics of moving subjects, such as fetal brain Magnetic Resonance Imaging (MRI). Existing solutions struggle with image artifacts and severe subject motion or require slice pre-alignment to achieve satisfying reconstruction performance. We propose a novel SVR method to enable fast and accurate MRI reconstruction even in cases of severe image and motion corruption. Our approach performs motion correction, outlier handling, and super-resolution reconstruction with all operations being entirely based on implicit neural representations. The model can be initialized with task-specific priors through fully self-supervised meta-learning on either simulated or real-world data. In extensive experiments including over 480 reconstructions of simulated and clinical MRI brain data from different centers, we prove the utility of our method in cases of severe subject motion and image artifacts. Our results demonstrate improvements in reconstruction quality, especially in the presence of severe motion, compared to state-of-the-art methods, and up to 50% reduction in reconstruction time.
- Abstract（参考訳）: マルチモーション破壊された低解像度2Dスライスからの高分解能スライス・ツー・ボリューム再構成(SVR)は、胎児脳MRI(Fetal Brain Magnetic Resonance Imaging)などの移動体の画像ベース診断において重要なステップである。
既存のソリューションは、画像のアーティファクトや厳しい被写体の動きに苦しむか、あるいはスライス事前調整を必要とする。
本稿では,重度画像や動作不良の場合にも,高速かつ正確なMRI再構成を可能にする新しいSVR法を提案する。
提案手法は,全操作が暗黙のニューラル表現に基づいて,動作補正,アウトリーハンドリング,超解像再構成を行う。
モデルは、シミュレーションまたは実世界のデータの完全な自己教師付きメタラーニングを通じて、タスク固有の事前情報で初期化することができる。
480以上の頭部MRI画像の再構成を含む広範囲な実験において,重度運動や画像アーティファクトの場合には,本手法の有用性が証明された。
以上の結果から, 再建工法と比較して, 特に強震動の有無において, 再建の質が向上し, 再建工期が最大50%短縮されることが示唆された。
関連論文リスト
- 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) - Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
運動は臨床MRIの約30%に存在していると推定されている。
深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。
画像と正しい動きを同時に高速化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-28T02:16:35Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - 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) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳（メタデータ） (2023-06-01T10:29:58Z) - 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) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳（メタデータ） (2022-06-15T03:42:18Z) - 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) - Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。
RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。
提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文 参考訳（メタデータ） (2021-11-18T11:44:04Z) - 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)
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。