論文の概要: Diffusion Probabilistic Generative Models for Accelerated, in-NICU Permanent Magnet Neonatal MRI

• arxiv url: http://arxiv.org/abs/2505.15984v1
• Date: Wed, 21 May 2025 20:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.892558
• Title: Diffusion Probabilistic Generative Models for Accelerated, in-NICU Permanent Magnet Neonatal MRI
• Title（参考訳）: NICU永久磁石新生児MRIにおける拡散確率生成モデル
• Authors: Yamin Arefeen, Brett Levac, Bhairav Patel, Chang Ho, Jonathan I. Tamir,
• Abstract要約: 新生児集中治療室(NICU)で活動する永久磁石スキャナーは、乳幼児のMRIを促進する。 これらのスキャナは、信号対雑音比(SNR)が低く、受信コイルが制限されているため、長い走査時間を持つ。 この研究は、トレーニングパイプラインを開発することで拡散確率的生成モデルを用いてNICU内MRIを高速化する。
• 参考スコア（独自算出の注目度）: 2.1400895396229913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Magnetic Resonance Imaging (MRI) enables non-invasive assessment of brain abnormalities during early life development. Permanent magnet scanners operating in the neonatal intensive care unit (NICU) facilitate MRI of sick infants, but have long scan times due to lower signal-to-noise ratios (SNR) and limited receive coils. This work accelerates in-NICU MRI with diffusion probabilistic generative models by developing a training pipeline accounting for these challenges. Methods: We establish a novel training dataset of clinical, 1 Tesla neonatal MR images in collaboration with Aspect Imaging and Sha'are Zedek Medical Center. We propose a pipeline to handle the low quantity and SNR of our real-world dataset (1) modifying existing network architectures to support varying resolutions; (2) training a single model on all data with learned class embedding vectors; (3) applying self-supervised denoising before training; and (4) reconstructing by averaging posterior samples. Retrospective under-sampling experiments, accounting for signal decay, evaluated each item of our proposed methodology. A clinical reader study with practicing pediatric neuroradiologists evaluated our proposed images reconstructed from 1.5x under-sampled data. Results: Combining all data, denoising pre-training, and averaging posterior samples yields quantitative improvements in reconstruction. The generative model decouples the learned prior from the measurement model and functions at two acceleration rates without re-training. The reader study suggests that proposed images reconstructed from approximately 1.5x under-sampled data are adequate for clinical use. Conclusion: Diffusion probabilistic generative models applied with the proposed pipeline to handle challenging real-world datasets could reduce scan time of in-NICU neonatal MRI.
• Abstract（参考訳）: 目的:MRI(MRI)は、初期脳の異常を非侵襲的に評価することを可能にする。 新生児集中治療室(NICU)で活動する永久磁石スキャナーは、乳幼児のMRIを補助するが、信号-雑音比(SNR)の低下と受信コイルの制限により長い走査時間を有する。 この研究は、これらの課題を考慮に入れたトレーニングパイプラインを開発することにより、拡散確率生成モデルを用いてNICU内MRIを高速化する。 方法: Aspect Imaging と Sha'are Zedek Medical Center と共同で,Tesla 新生児 MR 画像の新たなトレーニングデータセットを構築した。 実世界のデータセットの低量化とSNRを扱うパイプラインを提案し,(1) 既存のネットワークアーキテクチャを改良して様々な解像度をサポートする,(2) 学習したクラス埋め込みベクターで1つのモデルを訓練する,(3) 学習前の自己教師付きデノベーションを適用する,(4) 平均的な過去のサンプルを用いて再構築する。 信号減衰を考慮したアンダーサンプリング実験を行い,提案手法のそれぞれの項目について検討した。 小児神経放射線科医を実践した臨床読者を対象に,1.5倍のアンダーサンプリングデータから提案した画像について検討した。 結果: 全データを結合し, 事前訓練を行い, 平均的な後部試料を採取することにより, 再現性は定量的に向上した。 生成モデルは、測定モデルから学習前を分離し、再学習せずに2つの加速速度で機能する。 本研究は,約1.5倍のアンダーサンプルデータから再構成した画像が臨床応用に有用であることが示唆された。 結論: 実際のデータセットに挑戦するために提案したパイプラインを用いて拡散確率的生成モデルを適用することで、NICU新生児MRIのスキャン時間を短縮できる。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• A Generative Diffusion Model to Solve Inverse Problems for Robust in-NICU Neonatal MRI [2.508200203858861]
  新生児集中治療室(NICU)におけるMRI(MRI)の初回取得・診断拡散生成モデルについて紹介する。 In-NICU MRIスキャナーは、脳の潜在的な異常を非侵襲的に評価するために、低磁場強度の永久磁石を利用する。 この設定では、トレーニングデータのサイズは小さく、本質的には低信号対雑音比(SNR)に悩まされている。
  論文  参考訳（メタデータ） (2024-10-28T23:12:09Z)
• 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)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• 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)
• A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
  臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
  論文  参考訳（メタデータ） (2022-08-26T18:34:41Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)

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。