論文の概要: Generalizable 7T T1-map Synthesis from 1.5T and 3T T1 MRI with an Efficient Transformer Model
- arxiv url: http://arxiv.org/abs/2507.08655v1
- Date: Fri, 11 Jul 2025 14:59:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.395144
- Title: Generalizable 7T T1-map Synthesis from 1.5T and 3T T1 MRI with an Efficient Transformer Model
- Title（参考訳）: 効率的な変圧器モデルを用いた1.5Tおよび3T T1 MRIからの一般化可能な7T T1マップ合成
- Authors: Zach Eidex, Mojtaba Safari, Tonghe Wang, Vanessa Wildman, David S. Yu, Hui Mao, Erik Middlebrooks, Aparna Kesewala, Xiaofeng Yang,
- Abstract要約: 7T MRIは、標準臨床野強度(1.5T, 3T)よりも解像度とコントラストが向上する
しかし、7Tスキャナーは高価で不足しており、感受性アーティファクトのような追加の課題を導入している。
1.5T または 3T T1-weighted (T1W) 画像から 7T 品質 T1-map を合成するための効率的なトランスフォーマーモデル (7T-Restormer) を提案する。
- 参考スコア（独自算出の注目度）: 1.5775766573756949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Ultra-high-field 7T MRI offers improved resolution and contrast over standard clinical field strengths (1.5T, 3T). However, 7T scanners are costly, scarce, and introduce additional challenges such as susceptibility artifacts. We propose an efficient transformer-based model (7T-Restormer) to synthesize 7T-quality T1-maps from routine 1.5T or 3T T1-weighted (T1W) images. Methods: Our model was validated on 35 1.5T and 108 3T T1w MRI paired with corresponding 7T T1 maps of patients with confirmed MS. A total of 141 patient cases (32,128 slices) were randomly divided into 105 (25; 80) training cases (19,204 slices), 19 (5; 14) validation cases (3,476 slices), and 17 (5; 14) test cases (3,145 slices) where (X; Y) denotes the patients with 1.5T and 3T T1W scans, respectively. The synthetic 7T T1 maps were compared against the ResViT and ResShift models. Results: The 7T-Restormer model achieved a PSNR of 26.0 +/- 4.6 dB, SSIM of 0.861 +/- 0.072, and NMSE of 0.019 +/- 0.011 for 1.5T inputs, and 25.9 +/- 4.9 dB, and 0.866 +/- 0.077 for 3T inputs, respectively. Using 10.5 M parameters, our model reduced NMSE by 64 % relative to 56.7M parameter ResShift (0.019 vs 0.052, p = <.001 and by 41 % relative to 70.4M parameter ResViT (0.019 vs 0.032, p = <.001) at 1.5T, with similar advantages at 3T (0.021 vs 0.060 and 0.033; p < .001). Training with a mixed 1.5 T + 3 T corpus was superior to single-field strategies. Restricting the model to 1.5T increased the 1.5T NMSE from 0.019 to 0.021 (p = 1.1E-3) while training solely on 3T resulted in lower performance on input 1.5T T1W MRI. Conclusion: We propose a novel method for predicting quantitative 7T MP2RAGE maps from 1.5T and 3T T1W scans with higher quality than existing state-of-the-art methods. Our approach makes the benefits of 7T MRI more accessible to standard clinical workflows.
- Abstract（参考訳）: 目的:Ultra-high-field 7T MRIは、標準臨床野強度(1.5T, 3T)よりも解像度とコントラストが良くなった。
しかし、7Tスキャナーは高価で不足しており、感受性アーティファクトのような追加の課題を導入している。
1.5T または 3T T1-weighted (T1W) 画像から 7T 品質 T1-map を合成するための効率的なトランスフォーマーモデル (7T-Restormer) を提案する。
方法: 1.5T と 108 3T T1w MRI と 7T T1 とを併用し, 患者141例 (32,128スライス) をランダムに 105 (25; 80) のトレーニングケース (19,204スライス), 19 (5; 14) のバリデーションケース (3,476スライス), 17 (5; 14) のテストケース (3,145スライス) に分けて, (X; Y) は 1.5T と 3T T1W のスキャンを行う。
合成 7T T1 マップは ResViT と ResShift のモデルと比較された。
結果: 7T-Restormer モデルはPSNR 26.0 +/- 4.6 dB, SSIM 0.861 +/- 0.072, NMSE 0.019 +/- 0.011, 25.9 +/- 4.9 dB, 0.866 +/- 0.077 を達成した。
10.5Mパラメータを用いてNMSEを56.7MパラメータのResShift(0.019 vs 0.052, p = <.001)に対して64%、1.5TではResViT(0.019 vs 0.032, p = <.001)に対して41%削減し、3T(0.021 vs 0.060, 0.033; p < 001)も同様の利点を示した。
1.5 T + 3 T コーパスを混合した訓練は単体戦略よりも優れていた。
モデルを1.5Tに制限すると、1.5T NMSEは0.019から0.021に増加し(p = 1.1E-3)、3Tのみのトレーニングは1.5T T1W MRIでより低性能となった。
結論: 1.5T と 3T T1W スキャンから 7T MP2RAGE マップを推定する手法を提案する。
我々のアプローチは、標準的な臨床ワークフローに7T MRIの利点をより利用しやすくする。
関連論文リスト
- Converting T1-weighted MRI from 3T to 7T quality using deep learning [7.220190703291239]
超高分解能 7 tesla (7T) 磁気共鳴画像(MRI)は、詳細な解剖学的見解を提供する。
3T脳MRIから7T脳MRIを合成するための高度なディープラーニングモデルを提案する。
画像ベース評価尺度では,最先端の3T-to-7Tモデルが2つのモデルより優れていた。
論文 参考訳（メタデータ） (2025-07-18T09:54:59Z) - Accurate myocardial T1 mapping at 5T using an improved MOLLI method: A validation study [22.55396194037359]
The proposed 5T-SRIS method is based on a modified 5-(3)-3 MOLLI sequence with ECG gating and gradient echo readout。
5Tでの反転効率を向上させるため, 逆パルスは, 拡張型双曲性セシタント (HSn) とタンジェント/双曲性タンジェントパルスを用いて再設計された。
この方法はファントム研究や21人の健康なボランティア、9人の患者で検証された。
論文 参考訳（メタデータ） (2025-03-11T13:39:14Z) - MBSS-T1: Model-Based Subject-Specific Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [13.966263676155373]
心臓T1マッピングにおける運動補正のための主観的自己教師モデルMBSS-T1を提案する。
MBSS-T1は210人の患者の公開データセット上で5倍の試験を行い、ベースライン深層学習登録法より優れていた。
MBSS-T1は、より広範囲の患者に対するモーションローバストT1マッピングを可能にし、準最適コンプライアンスなどの課題を克服する。
論文 参考訳（メタデータ） (2024-08-21T21:03:36Z) - PCMC-T1: Free-breathing myocardial T1 mapping with
Physically-Constrained Motion Correction [15.251935193140982]
自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。
信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
論文 参考訳（メタデータ） (2023-08-22T08:50:38Z) - Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。
我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
論文 参考訳（メタデータ） (2023-05-21T21:16:20Z) - Model-Generated Pretraining Signals Improves Zero-Shot Generalization of
Text-to-Text Transformers [98.30298332661323]
本稿では,T5などのテキスト変換器のゼロショット一般化におけるモデル生成信号の有効性について検討する。
我々は新しいモデルMETRO-T0を開発し、ELECTRA-Style事前学習戦略を用いて事前訓練を行い、次にNLPタスクの混合を即時微調整する。
その結果,METRO-T0の有効性は,パラメータのよりバランスの取れた寄与と,それらの能力の有効利用に起因していることが判明した。
論文 参考訳（メタデータ） (2023-05-21T21:06:23Z) - EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。
本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。
画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
論文 参考訳（メタデータ） (2022-06-19T04:49:35Z) - Improving Vision Transformers by Revisiting High-frequency Components [106.7140968644414]
視覚変換器(ViT)モデルは,CNNモデルよりも画像の高周波成分の捕捉に効果が低いことを示す。
本稿では,画像の高周波成分を直接補うHATを提案する。
HAT は様々な ViT モデルの性能を継続的に向上させることができることを示す。
論文 参考訳（メタデータ） (2022-04-03T05:16:51Z) - DS3-Net: Difficulty-perceived Common-to-T1ce Semi-Supervised Multimodal
MRI Synthesis Network [3.9562534927482704]
本稿では,多モードMRI合成ネットワーク(DS3-Net)を提案する。
5%のペアデータしか持たないDS3-Netは、100%ペアデータを利用した最先端の画像翻訳手法と競合し、平均SSIMは0.8947、平均PSNRは23.60である。
論文 参考訳（メタデータ） (2022-03-14T08:22:15Z) - Global Vision Transformer Pruning with Hessian-Aware Saliency [93.33895899995224]
この研究はヴィジュアルトランスフォーマー(ViT)モデルの共通設計哲学に挑戦する。
遅延を意識した規則化による直接遅延低減を実現し,すべての層や構造に匹敵する新しいヘッセン型構造解析基準を導出する。
DeiT-Baseモデルで反復的なプルーニングを実行すると、NViT(Novel ViT)と呼ばれる新しいアーキテクチャファミリが生まれ、パラメータをより効率的に利用する新しいパラメータが現れる。
論文 参考訳（メタデータ） (2021-10-10T18:04:59Z) - OCT-GAN: Single Step Shadow and Noise Removal from Optical Coherence
Tomography Images of the Human Optic Nerve Head [47.812972855826985]
我々は、ノイズと網膜の影の両方を10.4ms以内で見えない単一フレームのBスキャンから除去する単一プロセスを開発した。
提案アルゴリズムは,長い画像取得時間の必要性を低減し,高価なハードウェア要件を最小化し,OCT画像の動作アーティファクトを低減する。
論文 参考訳（メタデータ） (2020-10-06T08:32:32Z)
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。