論文の概要: SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction

• arxiv url: http://arxiv.org/abs/2505.17472v2
• Date: Mon, 26 May 2025 02:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 14:32:55.738389
• Title: SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction
• Title（参考訳）: SUFFICIENT:高分解能3次元等方性胎児脳MRI再構成のためのスキャン特異的教師なしディープラーニングフレームワーク
• Authors: Jiangjie Wu, Lixuan Chen, Zhenghao Li, Xin Li, Saban Ozturk, Lihui Wang, Rongpin Wang, Hongjiang Wei, Yuyao Zhang,
• Abstract要約: 等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。 高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。 大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
• 参考スコア（独自算出の注目度）: 7.268308489093152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality 3D fetal brain MRI reconstruction from motion-corrupted 2D slices is crucial for clinical diagnosis. Reliable slice-to-volume registration (SVR)-based motion correction and super-resolution reconstruction (SRR) methods are essential. Deep learning (DL) has demonstrated potential in enhancing SVR and SRR when compared to conventional methods. However, it requires large-scale external training datasets, which are difficult to obtain for clinical fetal MRI. To address this issue, we propose an unsupervised iterative SVR-SRR framework for isotropic HR volume reconstruction. Specifically, SVR is formulated as a function mapping a 2D slice and a 3D target volume to a rigid transformation matrix, which aligns the slice to the underlying location in the target volume. The function is parameterized by a convolutional neural network, which is trained by minimizing the difference between the volume slicing at the predicted position and the input slice. In SRR, a decoding network embedded within a deep image prior framework is incorporated with a comprehensive image degradation model to produce the high-resolution (HR) volume. The deep image prior framework offers a local consistency prior to guide the reconstruction of HR volumes. By performing a forward degradation model, the HR volume is optimized by minimizing loss between predicted slices and the observed slices. Comprehensive experiments conducted on large-magnitude motion-corrupted simulation data and clinical data demonstrate the superior performance of the proposed framework over state-of-the-art fetal brain reconstruction frameworks.
• Abstract（参考訳）: 運動不全2Dスライスを用いた高品質な3D胎児脳MRIは臨床診断に不可欠である。 信頼性の高いスライス・ツー・ボリューム登録(SVR)に基づく動作補正と超分解能再構成(SRR)法が不可欠である。 深層学習(DL)は従来の手法と比較してSVRとSRRを増強する可能性を示している。 しかし、臨床胎児MRIでは入手が困難である大規模な外部トレーニングデータセットが必要である。 この問題に対処するために、等方性HRボリューム再構成のための教師なし反復SVR-SRRフレームワークを提案する。 具体的には、2Dスライスと3Dターゲットボリュームを剛性変換行列にマッピングする関数としてSVRを定式化し、そのスライスをターゲットボリュームの下位位置と整列させる。 この関数は畳み込みニューラルネットワークによってパラメータ化され、予測位置におけるボリュームスライシングと入力スライスとの差を最小限にして訓練される。 SRRでは、ディープイメージ事前フレームワークに埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込んで高分解能(HR)ボリュームを生成する。 ディープイメージ事前フレームワークは、HRボリュームの再構築を導く前に、局所的な一貫性を提供する。 前方劣化モデルにより、予測スライスと観察されたスライスとの損失を最小限に抑え、HR体積を最適化する。 大強度運動崩壊シミュレーションデータと臨床データを用いた総合的な実験により、現在最先端の胎児脳再建フレームワークよりも提案フレームワークの優れた性能が示された。

関連論文リスト

• Meta-learning Slice-to-Volume Reconstruction in Fetal Brain MRI using Implicit Neural Representations [9.749932662063992]
  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。
  論文  参考訳（メタデータ） (2025-05-14T17:07:37Z)
• 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)
• X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models [6.046082223332061]
  X-拡散(X-Diffusion)は、空間領域入力から詳細な3次元MRIボリュームを再構成する新しい断面積拡散モデルである。 X-Diffusionの重要な側面は、MRIデータを横断的なトレーニングと推論の間、全体的な3Dボリュームとしてモデル化することである。 以上の結果から,X-Diffusionは定量精度(PSNR)に優れるだけでなく,重要な解剖学的特徴を保っていることが示唆された。
  論文  参考訳（メタデータ） (2024-04-30T14:53:07Z)
• Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse Problems [7.074380879971194]
  本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。 トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。 再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
  論文  参考訳（メタデータ） (2023-08-16T17:07:40Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• 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)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• 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)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。