論文の概要: Mind the Detail: Uncovering Clinically Relevant Image Details in Accelerated MRI with Semantically Diverse Reconstructions
- arxiv url: http://arxiv.org/abs/2507.00670v1
- Date: Tue, 01 Jul 2025 11:11:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.59403
- Title: Mind the Detail: Uncovering Clinically Relevant Image Details in Accelerated MRI with Semantically Diverse Reconstructions
- Title（参考訳）: 心の細部:Semantically Diverse Restructing Accelerated MRIにおける臨床関連画像の詳細発見
- Authors: Jan Nikolas Morshuis, Christian Schlarmann, Thomas Küstner, Christian F. Baumgartner, Matthias Hein,
- Abstract要約: 既往の手法は,小・稀な病態の再構築に失敗し,誤診判定(偽陰性)につながる可能性が示唆された。
本研究では, セマンティック・ディバース・リコンストラクション(SDR)を提案する。セマンティカル・ディバース・リコンストラクション(SDR)は, セマンティカル・ディバース・リコンストラクション(SDR)を用いて, セマンティカル・リコンストラクション(SDR)と完全に整合し, セマンティカル・ディバース・リコンストラクション(SDR)とセマンティカル・リコンストラクション(SDR)を両立させる手法である。
SDRは偽陰性診断(高いリコール)の可能性を著しく低減し,従来の再建法と比較して平均精度を向上することを示した。
- 参考スコア（独自算出の注目度）: 29.673866614937392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, accelerated MRI reconstruction based on deep learning has led to significant improvements in image quality with impressive results for high acceleration factors. However, from a clinical perspective image quality is only secondary; much more important is that all clinically relevant information is preserved in the reconstruction from heavily undersampled data. In this paper, we show that existing techniques, even when considering resampling for diffusion-based reconstruction, can fail to reconstruct small and rare pathologies, thus leading to potentially wrong diagnosis decisions (false negatives). To uncover the potentially missing clinical information we propose ``Semantically Diverse Reconstructions'' (\SDR), a method which, given an original reconstruction, generates novel reconstructions with enhanced semantic variability while all of them are fully consistent with the measured data. To evaluate \SDR automatically we train an object detector on the fastMRI+ dataset. We show that \SDR significantly reduces the chance of false-negative diagnoses (higher recall) and improves mean average precision compared to the original reconstructions. The code is available on https://github.com/NikolasMorshuis/SDR
- Abstract（参考訳）: 近年,ディープラーニングに基づくMRIの高速化により,画像品質が大幅に向上し,高い加速度因子に対する印象的な結果が得られた。
しかし、臨床の観点からは画像の質は二次的なものに過ぎず、より重要なのは、重くアンサンプされたデータから、すべての臨床関連情報が復元に保存されていることである。
本報告では, 拡散型再建を念頭に置いても, 小・稀な病態の再構築に失敗する可能性があり, 誤診判定(偽陰性)の可能性が示唆された。
臨床情報の欠落の可能性を明らかにするために,本手法では,オリジナルの再構成を施し,意味的多様性を増強した新規な再構成を生成するとともに,それらすべてが測定データと完全に整合する手法である 'Semantically Diverse Reconstructions' (\SDR) を提案する。
SDRを自動評価するためには、fastMRI+データセット上でオブジェクト検出器をトレーニングする。
SDRは偽陰性診断(高いリコール)の可能性を著しく低減し,従来の再建法と比較して平均精度を向上することを示した。
コードはhttps://github.com/NikolasMorshuis/SDRで入手できる。
関連論文リスト
- How Should We Evaluate Uncertainty in Accelerated MRI Reconstruction? [1.124958340749622]
本研究は,再建の解剖学的変化に基づいて,再建の多様性を評価するための新しいアプローチを提案する。
SSIM や PSNR など,よく使用される品質指標のスコアが高いモデルでは,しかしながら,解剖学的尺度では,高いレベルのばらつきやバイアスが示されることが示されている。
論文 参考訳（メタデータ） (2025-03-13T16:34:22Z) - 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) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。
トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。
提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
論文 参考訳（メタデータ） (2024-04-06T08:25:33Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。
次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。
再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
論文 参考訳（メタデータ） (2020-10-30T19:26:14Z)
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。