論文の概要: Artificial Intelligence-assisted Pixel-level Lung (APL) Scoring for Fast and Accurate Quantification in Ultra-short Echo-time MRI
- arxiv url: http://arxiv.org/abs/2506.23506v1
- Date: Mon, 30 Jun 2025 04:08:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.916811
- Title: Artificial Intelligence-assisted Pixel-level Lung (APL) Scoring for Fast and Accurate Quantification in Ultra-short Echo-time MRI
- Title（参考訳）: Ultra-short Echo-time MRI における高速かつ正確な定量化のためのAI-Assisted Pixel-level Lung (APL) Scoring
- Authors: Bowen Xin, Rohan Hickey, Tamara Blake, Jin Jin, Claire E Wainwright, Thomas Benkert, Alto Stemmer, Peter Sly, David Coman, Jason Dowling,
- Abstract要約: Ultrashort echo-time (UTE) を用いた肺磁気共鳴画像(MRI)は,近年の肺組織像のブレークスルーである。
放射線照射がないため、嚢胞性線維症(CF)などの小児疾患ではMRIがCTよりも好まれることが多い。
- 参考スコア（独自算出の注目度）: 0.4290532475123755
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lung magnetic resonance imaging (MRI) with ultrashort echo-time (UTE) represents a recent breakthrough in lung structure imaging, providing image resolution and quality comparable to computed tomography (CT). Due to the absence of ionising radiation, MRI is often preferred over CT in paediatric diseases such as cystic fibrosis (CF), one of the most common genetic disorders in Caucasians. To assess structural lung damage in CF imaging, CT scoring systems provide valuable quantitative insights for disease diagnosis and progression. However, few quantitative scoring systems are available in structural lung MRI (e.g., UTE-MRI). To provide fast and accurate quantification in lung MRI, we investigated the feasibility of novel Artificial intelligence-assisted Pixel-level Lung (APL) scoring for CF. APL scoring consists of 5 stages, including 1) image loading, 2) AI lung segmentation, 3) lung-bounded slice sampling, 4) pixel-level annotation, and 5) quantification and reporting. The results shows that our APL scoring took 8.2 minutes per subject, which was more than twice as fast as the previous grid-level scoring. Additionally, our pixel-level scoring was statistically more accurate (p=0.021), while strongly correlating with grid-level scoring (R=0.973, p=5.85e-9). This tool has great potential to streamline the workflow of UTE lung MRI in clinical settings, and be extended to other structural lung MRI sequences (e.g., BLADE MRI), and for other lung diseases (e.g., bronchopulmonary dysplasia).
- Abstract（参考訳）: Ultrashort echo-time (UTE) を用いた肺磁気共鳴画像(MRI)は、最近の肺構造イメージングのブレークスルーであり、CT(Computed tomography)に匹敵する画像解像度と品質を提供する。
電離放射線がないため、MRIは、コーカサスで最も一般的な遺伝疾患の1つである嚢胞性線維症(CF)などの小児疾患において、CTよりも好まれることが多い。
CF画像における肺の構造的損傷を評価するため、CTスコアリングシステムは、疾患の診断と進行に関する貴重な定量的洞察を提供する。
しかし、構造的肺MRI(例:UTE-MRI)では、定量評価システムはほとんど利用できない。
肺MRIの高速かつ正確な定量化を目的として,新しい人工知能支援型Pixel-level Lung (APL) のCF評価の可能性を検討した。
APLスコアは5つのステージから構成される。
1)イメージローディング
2)AI肺セグメンテーション
3)肺に結合したスライスサンプリング。
4)ピクセルレベルのアノテーション及び
5)定量化と報告。
その結果、APLのスコアは1被験者あたり8.2分であり、これは以前のグリッドレベルのスコアの2倍以上の速さであった。
さらに,我々の画素レベルのスコアリングは統計学的により正確(p=0.021),グリッドレベルのスコアリング(R=0.973,p=5.85e-9)と強く関連していた。
このツールは、臨床環境でのUTE肺MRIのワークフローを効率化し、他の構造的肺MRIシーケンス(例えば、BLADE MRI)や、他の肺疾患(例えば、気管支肺肺異形成症)に拡張する大きな可能性を秘めている。
関連論文リスト
- Ultrasound Lung Aeration Map via Physics-Aware Neural Operators [78.6077820217471]
肺超音波は、急性肺疾患や慢性肺疾患を診断するクリニックにおいて増加するモダリティである。
超音波による空気透過性の低下に起因する胸膜界面からの複雑な逆流によって複雑になる。
RFデータから肺エアレーションマップを直接再構成するAIモデルLUNAを提案する。
論文 参考訳（メタデータ） (2025-01-02T09:24:34Z) - Multimodal Deformable Image Registration for Long-COVID Analysis Based on Progressive Alignment and Multi-perspective Loss [0.0]
長期のCOVIDは、持続的な症状、特に肺障害によって特徴づけられる。
XeMRIからの機能的データとCTからの構造的データを統合することは、包括的な分析と効果的な治療戦略に不可欠である。
本稿では,長期肺CTと陽子密度MRIデータとの整合性に優れた画像登録手法を提案する。
論文 参考訳（メタデータ） (2024-06-21T14:19:18Z) - BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳（メタデータ） (2023-11-26T15:13:13Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI [15.966488917066048]
高アンサンプドリング肺MRI再建のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。
EN2はk空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いる。
また、複雑なk空間データからリッチ表現を学ぶために複雑な畳み込みを用いる。
論文 参考訳（メタデータ） (2023-06-21T02:08:27Z) - covEcho Resource constrained lung ultrasound image analysis tool for
faster triaging and active learning [2.4432369908176543]
リアルタイムの軽量なアクティブラーニングベースのアプローチは、新型コロナウイルス患者でより高速なトリアージを実現するために提案されている。
提案手法は、LUSランドマークの予測において平均平均精度(mAP)が66%、IoU(Intersection over Union)閾値が0.5である。
14MBの軽量YOLOv5sネットワークは、Quadro P4000 GPUで動作しながら123FPSを達成する。
論文 参考訳（メタデータ） (2022-06-21T08:38:45Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Quality-aware Cine Cardiac MRI Reconstruction and Analysis from
Undersampled k-space Data [7.022090490184671]
本稿では、画像取得と再構成を下流タスクと組み合わせた、エンドツーエンド品質を意識した近軸短軸MRIフレームワークを提案する。
このフレームワークは、2D+t心筋MRI画像のアンダーサンプルデータからの再構成のためのディープラーニングモデルで構成されている。
以上の結果より,スライス12秒から4秒のスキャン時間で品質制御画像が作成でき,心機能パラメータの信頼性の高い推定が可能であることが示唆された。
論文 参考訳（メタデータ） (2021-09-16T13:08:54Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - 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)
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。