論文の概要: Self-Supervised Joint Reconstruction and Denoising of T2-Weighted PROPELLER MRI of the Lungs at 0.55T

• arxiv url: http://arxiv.org/abs/2507.14308v1
• Date: Fri, 18 Jul 2025 18:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.832244
• Title: Self-Supervised Joint Reconstruction and Denoising of T2-Weighted PROPELLER MRI of the Lungs at 0.55T
• Title（参考訳）: 0.55TにおけるT2強調 ProPELLER MRIの自励的関節再建と難聴
• Authors: Jingjia Chen, Haoyang Pei, Christoph Maier, Mary Bruno, Qiuting Wen, Seon-Hi Shin, William Moore, Hersh Chandarana, Li Feng,
• Abstract要約: 再建肺MRIの画質は2人の経験者により視覚的に評価された。 提案した自己教師型モデルにより,肺像の明瞭度構造的整合性が向上した。
• 参考スコア（独自算出の注目度）: 1.3149280871441427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: This study aims to improve 0.55T T2-weighted PROPELLER lung MRI through a self-supervised joint reconstruction and denoising model. Methods: T2-weighted 0.55T lung MRI dataset including 44 patients with previous covid infection were used. A self-supervised learning framework was developed, where each blade of the PROPELLER acquisition was split along the readout direction into two partitions. One subset trains the unrolled reconstruction network, while the other subset is used for loss calculation, enabling self-supervised training without clean targets and leveraging matched noise statistics for denoising. For comparison, Marchenko-Pastur Principal Component Analysis (MPPCA) was performed along the coil dimension, followed by conventional parallel imaging reconstruction. The quality of the reconstructed lung MRI was assessed visually by two experienced radiologists independently. Results: The proposed self-supervised model improved the clarity and structural integrity of the lung images. For cases with available CT scans, the reconstructed images demonstrated strong alignment with corresponding CT images. Additionally, the proposed model enables further scan time reduction by requiring only half the number of blades. Reader evaluations confirmed that the proposed method outperformed MPPCA-denoised images across all categories (Wilcoxon signed-rank test, p<0.001), with moderate inter-reader agreement (weighted Cohen's kappa=0.55; percentage of exact and within +/-1 point agreement=91%). Conclusion: By leveraging intrinsic structural redundancies between two disjoint splits of k-space subsets, the proposed self-supervised learning model effectively reconstructs the image while suppressing the noise for 0.55T T2-weighted lung MRI with PROPELLER sampling.
• Abstract（参考訳）: 目的: 本研究は, 自覚的関節再建・脱神経モデルを用いて, 0.55T T2強調PROPELLER肺MRIを改善することを目的としている。 方法: T2-weighted 0.55T lung MRI data with 44 patients with previous covid infection was used。 自己教師型学習フレームワークを開発し, ProPELLER 買収の各ブレードを読み出し方向に沿って2つの分割に分割した。 1つのサブセットはアンロールされた再構成ネットワークをトレーニングし、もう1つのサブセットは損失計算に使われ、クリーンなターゲットを使わずに自己教師型トレーニングを可能にし、一致したノイズ統計を利用してノイズを識別する。 また, コイル寸法に沿ってMPPCAを行い, 従来の並列画像再構成を行った。 再建肺MRIの画質は2人の経験者から独立して評価された。 結果: 自己監督モデルにより, 肺画像の明瞭度と構造的整合性が向上した。 画像診断はCT画像と強く一致していた。 さらに,本モデルでは,ブレード数の半分しか必要とせず,スキャン時間を短縮することができる。 読者評価の結果,提案手法は全てのカテゴリでMPPCAデノベート画像(Wilcoxon signed-rank test, p<0.001)より優れており, 中間読影契約(Cohen's kappa=0.55, 精度および+/-1点一致率=91%)が得られた。 結語: k-空間部分集合の2つの解離した部分集合の内在的構造的冗長性を活用することにより,提案した自己教師型学習モデルは,PropELLERサンプリングによる0.55T T2強調肺MRIのノイズを抑えながら,画像の再構成を効果的に行う。

関連論文リスト

• Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data [9.160782425067712]
  低線量スキャンから高画質画像を再構成するためのCycle-DCN(Cycle-versa Adrial Denoising Convolutional Network)を提案する。 1,224名の患者から得られた生のPET脳データからなる大規模なデータセットを用いて実験を行った。 サイクルDCNは平均ピーク信号対雑音比(PSNR)、SSIM、正規化ルート平均角誤差(NRMSE)を3つの線量レベルで改善する。
  論文  参考訳（メタデータ） (2024-10-31T04:34:28Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• CT-based Subchondral Bone Microstructural Analysis in Knee Osteoarthritis via MR-Guided Distillation Learning [9.043382067913397]
  MRをベースとした軟骨下骨は膝関節症を効果的に予測するが,その臨床応用はMRの費用と時間によって制限される。 単純取得CT画像を用いた軟骨下骨組織解析のための新しい蒸留学習法SRRDを開発した。 Tb. Th, Tb. Sp, Tb. Nはそれぞれ0.804, 0.773, 0.711, 0.622のクラス内相関係数(ICCs)を得た。
  論文  参考訳（メタデータ） (2023-07-10T07:54:29Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Exploring contrast generalisation in deep learning-based brain MRI-to-CT synthesis [0.0]
  MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。 ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
  論文  参考訳（メタデータ） (2023-03-17T18:45:05Z)
• On the Benefit of Dual-domain Denoising in a Self-supervised Low-dose CT Setting [6.450514665591633]
  低用量取得における画像品質の回復のために,データ駆動型画像復調アルゴリズムが提案された。 本稿では,プロジェクションと画像領域の両方に,演算子を含む終端から終端までの訓練可能なCT再構成パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-11-02T13:37:59Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• A framework for quantitative analysis of Computed Tomography images of viral pneumonitis: radiomic features in COVID and non-COVID patients [0.0]
  1028個の胸部CT像を肺抽出のために自動的に分離した。 ガウスモデルを用いて, 肺の正常な部位と重症部位を定量的に表す指標(QM)を算出した。 両側肺から第1,第2次放射線学的特徴(RF)を抽出した。 新型コロナウイルスと非ウイルス性肺炎を分類する人工知能ベースの4つのモデルを開発した。
  論文  参考訳（メタデータ） (2021-09-28T15:22:24Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。