論文の概要: From Low Field to High Value: Robust Cortical Mapping from Low-Field MRI

• arxiv url: http://arxiv.org/abs/2505.12228v1
• Date: Sun, 18 May 2025 04:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.105951
• Title: From Low Field to High Value: Robust Cortical Mapping from Low-Field MRI
• Title（参考訳）: 低磁場から高値へ:低磁場MRIからのロバスト皮質マッピング
• Authors: Karthik Gopinath, Annabel Sorby-Adams, Jonathan W. Ramirez, Dina Zemlyanker, Jennifer Guo, David Hunt, Christine L. Mac Donald, C. Dirk Keene, Timothy Coalson, Matthew F. Glasser, David Van Essen, Matthew S. Rosen, Oula Puonti, W. Taylor Kimberly, Juan Eugenio Iglesias,
• Abstract要約: 携帯型LF-MRIの3次元再構成と解析のための機械学習手法を提案する。 我々は、合成LF-MRIで訓練された3次元U-Netを用いて、皮質表面の符号付き距離関数を予測する。 本手法は,携帯型LF-MRIにおける皮質表面分析の実現に向けたステップである。
• 参考スコア（独自算出の注目度）: 3.341362699606649
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Three-dimensional reconstruction of cortical surfaces from MRI for morphometric analysis is fundamental for understanding brain structure. While high-field MRI (HF-MRI) is standard in research and clinical settings, its limited availability hinders widespread use. Low-field MRI (LF-MRI), particularly portable systems, offers a cost-effective and accessible alternative. However, existing cortical surface analysis tools are optimized for high-resolution HF-MRI and struggle with the lower signal-to-noise ratio and resolution of LF-MRI. In this work, we present a machine learning method for 3D reconstruction and analysis of portable LF-MRI across a range of contrasts and resolutions. Our method works "out of the box" without retraining. It uses a 3D U-Net trained on synthetic LF-MRI to predict signed distance functions of cortical surfaces, followed by geometric processing to ensure topological accuracy. We evaluate our method using paired HF/LF-MRI scans of the same subjects, showing that LF-MRI surface reconstruction accuracy depends on acquisition parameters, including contrast type (T1 vs T2), orientation (axial vs isotropic), and resolution. A 3mm isotropic T2-weighted scan acquired in under 4 minutes, yields strong agreement with HF-derived surfaces: surface area correlates at r=0.96, cortical parcellations reach Dice=0.98, and gray matter volume achieves r=0.93. Cortical thickness remains more challenging with correlations up to r=0.70, reflecting the difficulty of sub-mm precision with 3mm voxels. We further validate our method on challenging postmortem LF-MRI, demonstrating its robustness. Our method represents a step toward enabling cortical surface analysis on portable LF-MRI. Code is available at https://surfer.nmr.mgh.harvard.edu/fswiki/ReconAny
• Abstract（参考訳）: 形態計測解析のためのMRIによる皮質表面の3次元再構成は、脳構造を理解するための基礎となる。 高磁場MRI(HF-MRI)は研究や臨床において標準であるが、可用性の限界は広く使われることを妨げている。 低磁場MRI(LF-MRI)は、特にポータブルなシステムであり、コスト効率が高くアクセスしやすい代替手段を提供する。 しかし,既存の皮質表面分析ツールは高分解能HF-MRIに最適化されており,低信号対雑音比とLF-MRIの分解能に苦慮している。 本研究では,可搬型LF-MRIの3次元再構成と解析のための機械学習手法を提案する。 我々の方法は再訓練せずに「アウト・オブ・ザ・ボックス」で機能する。 合成LF-MRIで訓練された3次元U-Netを使用して、皮質表面の符号付き距離関数を予測し、幾何学的処理により位相的精度を確保する。 その結果, LF-MRI表面再構成の精度は, コントラストタイプ(T1対T2), 方向(軸方向対等方性), 解像度など, 取得パラメータに依存することがわかった。 3mm等方性T2重み付きスキャンは4分以内で取得され、表面積はr=0.96で相関し、皮質のパーセルはDice=0.98に到達し、灰色物質体積はr=0.93に達する。 皮質の厚さは、r=0.70までの相関でより困難であり、3mmのボクセルとのサブミリ精度の難しさを反映している。 さらに,その頑健さを実証し,術後のLF-MRIに挑戦する方法について検討した。 本手法は,携帯型LF-MRIにおける皮質表面分析の実現に向けたステップである。 コードはhttps://surfer.nmr.mgh.harvard.edu/fswiki/ReconAnyで入手できる。

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)
• TV-based Deep 3D Self Super-Resolution for fMRI [39.47953213077105]
  本稿では,DLネットワークと解析的アプローチとTotal Variation (TV)正規化を組み合わせた,新たな自己教師型DL SRモデルを提案する。 本手法は,外部GT画像の必要性を排除し,管理型DL技術と機能地図の保存による競合性能を実現する。
  論文  参考訳（メタデータ） (2024-10-05T09:35:15Z)
• Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
  脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。 提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。 19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
  論文  参考訳（メタデータ） (2024-09-05T19:52:09Z)
• 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)
• InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model [1.4126798060929953]
  研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。 通常の臨床MRIスキャンは通常、低分解能(LR)である MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。 本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-23T23:04:42Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Perfusion imaging in deep prostate cancer detection from mp-MRI: can we take advantage of it? [0.0]
  深部神経アーキテクチャにおける灌流画像からの情報を統合するための戦略を評価する。 ダイナミックコントラスト造影MR検査からの灌流マップでは,PCa病変のセグメンテーションとグレーディング性能に正の影響が認められた。
  論文  参考訳（メタデータ） (2022-07-06T07:55:46Z)
• Accurate super-resolution low-field brain MRI [0.6501025489527174]
  LFMRI T1重み付きシーケンスから1mm等方性MPRAGE様スキャンを合成するための機械学習アルゴリズムの拡張について報告する。 これらの結果は、LFMRIにおける正常画像および異常画像の検出を高めるための今後の研究の基礎となった。
  論文  参考訳（メタデータ） (2022-02-07T23:57:28Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• 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)

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。