論文の概要: Physiology-Informed Generative Multi-Task Network for Contrast-Free CT Perfusion

• arxiv url: http://arxiv.org/abs/2505.22673v1
• Date: Mon, 12 May 2025 22:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.471737
• Title: Physiology-Informed Generative Multi-Task Network for Contrast-Free CT Perfusion
• Title（参考訳）: コントラストフリーCT灌流のための生理インフォームド生成型マルチタスクネットワーク
• Authors: Wasif Khan, Kyle B. See, Simon Kato, Ziqian Huang, Amy Lazarte, Kyle Douglas, Xiangyang Lou, Teng J. Peng, Dhanashree Rajderkar, John Rees, Pina Sanelli, Amita Singh, Ibrahim Tuna, Christina A. Wilson, Ruogu Fang,
• Abstract要約: Multitask Automated Generation of Intermodal CT Perfusion Map (MAGIC) このフレームワークは、生成人工知能と生理情報を組み合わせて、非コントラスト計算断層撮影(CT)をマッピングする。 損失項に生理的特徴を取り入れて画像の忠実度を向上した。
• 参考スコア（独自算出の注目度）: 0.5537599694031133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perfusion imaging is extensively utilized to assess hemodynamic status and tissue perfusion in various organs. Computed tomography perfusion (CTP) imaging plays a key role in the early assessment and planning of stroke treatment. While CTP provides essential perfusion parameters to identify abnormal blood flow in the brain, the use of contrast agents in CTP can lead to allergic reactions and adverse side effects, along with costing USD 4.9 billion worldwide in 2022. To address these challenges, we propose a novel deep learning framework called Multitask Automated Generation of Intermodal CT perfusion maps (MAGIC). This framework combines generative artificial intelligence and physiological information to map non-contrast computed tomography (CT) imaging to multiple contrast-free CTP imaging maps. We demonstrate enhanced image fidelity by incorporating physiological characteristics into the loss terms. Our network was trained and validated using CT image data from patients referred for stroke at UF Health and demonstrated robustness to abnormalities in brain perfusion activity. A double-blinded study was conducted involving seven experienced neuroradiologists and vascular neurologists. This study validated MAGIC's visual quality and diagnostic accuracy showing favorable performance compared to clinical perfusion imaging with intravenous contrast injection. Overall, MAGIC holds great promise in revolutionizing healthcare by offering contrast-free, cost-effective, and rapid perfusion imaging.
• Abstract（参考訳）: 各種臓器における血行動態と組織灌流の評価には,灌流画像が広く用いられている。 脳卒中治療の早期評価と計画にはCT(Computed Tomography Perfusion)が重要な役割を担っている。 CTPは脳内の異常な血流を特定するために必須の灌流パラメータを提供するが、CTPにおけるコントラスト剤の使用はアレルギー反応と副作用を引き起こし、2022年には世界中で490億米ドルの費用がかかる。 これらの課題に対処するために,Multitask Automated Generation of Intermodal CT perfusion map (MAGIC) と呼ばれる新しいディープラーニングフレームワークを提案する。 このフレームワークは、生成人工知能と生理情報を組み合わせて、非コントラスト計算トモグラフィ(CT)イメージングを複数のコントラストのないCTPイメージングマップにマッピングする。 損失項に生理的特徴を取り入れて画像の忠実度を向上した。 UF Healthにおける脳卒中患者のCT画像データを用いて,脳灌流活動の異常に対するロバスト性を訓練し,検証した。 7人の神経放射線科医と血管神経科医を兼ねた二重盲検研究を行った。 本研究は, MRICの視覚的品質と診断精度を, 静脈内コントラスト注入による臨床灌流画像と比較し, 良好な成績を示した。 MAGICは、コントラストのない、費用対効果の高い、高速な灌流イメージングを提供することで、医療に革命をもたらす大きな可能性を秘めている。

関連論文リスト

• Dual-Task Vision Transformer for Rapid and Accurate Intracerebral Hemorrhage CT Image Classification [9.058538258023383]
  脳内出血 (ICH) は、脳血管の破裂によって引き起こされる疾患である。 ICH画像の自動分類と診断のためのニューラルネットワーク構造であるDouble-task Vision Transformer(DTViT)を提案する。
  論文  参考訳（メタデータ） (2024-05-10T21:17:31Z)
• Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
  コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。 近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。 本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:09:01Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural Network [18.433956246011466]
  本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。 実験の結果,2つの臨床検査データセットの画質が有意に向上した。
  論文  参考訳（メタデータ） (2020-06-23T01:55:57Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。