論文の概要: Development of MR spectral analysis method robust against static magnetic field inhomogeneity

• arxiv url: http://arxiv.org/abs/2506.20897v1
• Date: Thu, 26 Jun 2025 00:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.917891
• Title: Development of MR spectral analysis method robust against static magnetic field inhomogeneity
• Title（参考訳）: 静磁場不均一性に頑健なMRスペクトル解析法の開発
• Authors: Shuki Maruyama, Hidenori Takeshima,
• Abstract要約: 著者らは、モデル化スペクトルに基づいて訓練された深層学習モデルを用いた新しいスペクトル解析手法を提案した。 モデル化されたスペクトルは、健康なヒト脳のB0マップと代謝物比から生成される。 メタボライト比の平均二乗誤差(MSE)を用いて,提案手法の性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose:To develop a method that enhances the accuracy of spectral analysis in the presence of static magnetic field B0 inhomogeneity. Methods:The authors proposed a new spectral analysis method utilizing a deep learning model trained on modeled spectra that consistently represent the spectral variations induced by B0 inhomogeneity. These modeled spectra were generated from the B0 map and metabolite ratios of the healthy human brain. The B0 map was divided into a patch size of subregions, and the separately estimated metabolites and baseline components were averaged and then integrated. The quality of the modeled spectra was visually and quantitatively evaluated against the measured spectra. The analysis models were trained using measured, simulated, and modeled spectra. The performance of the proposed method was assessed using mean squared errors (MSEs) of metabolite ratios. The mean absolute percentage errors (MAPEs) of the metabolite ratios were also compared to LCModel when analyzing the phantom spectra acquired under two types of B0 inhomogeneity. Results:The modeled spectra exhibited broadened and narrowed spectral peaks depending on the B0 inhomogeneity and were quantitatively close to the measured spectra. The analysis model trained using measured spectra with modeled spectra improved MSEs by 49.89% compared to that trained using measured spectra alone, and by 26.66% compared to that trained using measured spectra with simulated spectra. The performance improved as the number of modeled spectra increased from 0 to 1,000. This model showed significantly lower MAPEs than LCModel under both types of B0 inhomogeneity. Conclusion:A new spectral analysis-trained deep learning model using the modeled spectra was developed. The results suggest that the proposed method has the potential to improve the accuracy of spectral analysis by increasing the training samples of spectra.
• Abstract（参考訳）: 目的: 静磁場B0の不均一性の存在下でのスペクトル解析の精度を高める手法を開発すること。 提案手法は,B0の不均一性によって誘導されるスペクトル変動を連続的に表現する,モデル付きスペクトルに基づいて訓練された深層学習モデルを用いた新しいスペクトル解析手法である。 これらのモデル化されたスペクトルは、健康なヒト脳のB0マップと代謝物比から生成される。 B0マップはサブリージョンのパッチサイズに分割し, 別々に推定された代謝物と塩基成分を平均化し, 統合した。 測定したスペクトルに対して, モデルスペクトルの品質を視覚的, 定量的に評価した。 分析モデルは、測定、シミュレーション、およびモデル化されたスペクトルを用いて訓練された。 メタボライト比の平均二乗誤差(MSE)を用いて,提案手法の性能評価を行った。 メタボライト比の平均絶対パーセンテージ誤差 (MAPEs) は, 2種類のB0不均一条件下で得られたファントムスペクトルを分析する際にもLCModelと比較された。 結果: モデルスペクトルはB0不均一度に応じてスペクトルピークの幅が広く狭くなり, 測定されたスペクトルに定量的に近かった。 モデルスペクトルを用いた測定スペクトルを用いてトレーニングされた分析モデルは、測定スペクトル単独でトレーニングされたスペクトルと比較して49.89%改善し、シミュレーションスペクトルでトレーニングされたスペクトルと比較して26.66%改善した。 モデルスペクトルの数が0から1000に増加するにつれて性能が向上した。 このモデルでは, 2種類のB0不均一条件下では, LCModelよりもMAPEが有意に低かった。 結論: モデルスペクトルを用いたスペクトル解析訓練深層学習モデルを開発した。 その結果,提案手法はスペクトルのトレーニングサンプルを増やすことでスペクトル分析の精度を向上させる可能性が示唆された。

関連論文リスト

• Demonstration of an AI-driven workflow for dynamic x-ray spectroscopy [1.0046337269532102]
  X線吸収近傍構造(XANES)分光法は、材料中の個々の元素の化学状態と対称性を特徴づける強力な技術である。 適応サンプリング法は分光データを効率的に収集するために存在するが、XANESスペクトル構造に関するドメイン固有の知識を欠いていることが多い。 本稿では,適応型XANESデータ収集のための知識注入型ベイズ最適化手法を示す。
  論文  参考訳（メタデータ） (2025-04-23T22:32:42Z)
• SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance Field [70.15900280156262]
  本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。 スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-14T07:19:31Z)
• DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model [46.68717345017946]
  ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。 意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2023-05-21T09:21:41Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Simulation of absorption spectra of molecular aggregates: a Hierarchy of Stochastic Pure States approach [68.8204255655161]
  純粋な状態の階層(HOPS)は、局所的な軌跡に基づく正式な正確な解を提供する。 大集合体における吸収スペクトルのシミュレーションのためにHOPSの局在を爆発させるには、正規化軌道の定式化が必要である。
  論文  参考訳（メタデータ） (2021-11-01T16:59:54Z)
• Spectral Variability Augmented Sparse Unmixing of Hyperspectral Images [20.703976519242094]
  スペクトル変動を明示的に抽出するスペクトル変動拡張スパース混合モデル(SVASU)を提案する。 スペクトル変動ライブラリーと固有スペクトルライブラリーはいずれもIn-situ観測画像から構築されている。 合成, 実世界の両方のデータセットに対する実験結果から, スペクトル変動による拡張分解は未混合性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2021-10-19T05:25:30Z)
• Feature visualization of Raman spectrum analysis with deep convolutional neural network [0.0]
  本稿では,Ramanスペクトル解析にディープ畳み込みニューラルネットワークを用いた認識・特徴可視化手法を示す。 この方法は、まず単純なローレンツスペクトルに対して検討され、その後、医薬品化合物および数値混合アミノ酸のスペクトルに適用された。
  論文  参考訳（メタデータ） (2020-07-27T08:15:38Z)
• Cycle-StarNet: Bridging the gap between theory and data by leveraging large datasets [0.0]
  現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。 本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
  論文  参考訳（メタデータ） (2020-07-06T23:06:58Z)
• Two-Dimensional Single- and Multiple-Quantum Correlation Spectroscopy in Zero-Field Nuclear Magnetic Resonance [55.41644538483948]
  Rb気相セル磁気センサを用いてゼロ磁場で検出された1量子および複数量子相関$J$-spectroscopyを示す。 ゼロフィールドでは、エタノールのスペクトルは炭素イソトポマーの混合物として現れ、相関スペクトルは2つの複合スペクトルを分離するのに有用である。
  論文  参考訳（メタデータ） (2020-04-09T10:02:45Z)

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。