論文の概要: Enhancing and Accelerating Brain MRI through Deep Learning Reconstruction Using Prior Subject-Specific Imaging
- arxiv url: http://arxiv.org/abs/2507.21349v1
- Date: Mon, 28 Jul 2025 21:39:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.35199
- Title: Enhancing and Accelerating Brain MRI through Deep Learning Reconstruction Using Prior Subject-Specific Imaging
- Title（参考訳）: 先行被写体画像を用いた深層学習再建による脳MRIの強調と高速化
- Authors: Amirmohammad Shamaei, Alexander Stebner, Salome, Bosshart, Johanna Ospel, Gouri Ginde, Mariana Bento, Roberto Souza,
- Abstract要約: ディープラーニングに基づく新しいMRI再構成フレームワークを提案する。
我々は,T1強調MRIの縦断的データセットを用いて,被験者18名からの2,808イメージを4つのアクセラレーション因子で検証した。
また,従来の登録アルゴリズムを用いた手法と比較して,再建時間を大幅に短縮した。
- 参考スコア（独自算出の注目度）: 35.175191487977386
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic resonance imaging (MRI) is a crucial medical imaging modality. However, long acquisition times remain a significant challenge, leading to increased costs, and reduced patient comfort. Recent studies have shown the potential of using deep learning models that incorporate information from prior subject-specific MRI scans to improve reconstruction quality of present scans. Integrating this prior information requires registration of the previous scan to the current image reconstruction, which can be time-consuming. We propose a novel deep-learning-based MRI reconstruction framework which consists of an initial reconstruction network, a deep registration model, and a transformer-based enhancement network. We validated our method on a longitudinal dataset of T1-weighted MRI scans with 2,808 images from 18 subjects at four acceleration factors (R5, R10, R15, R20). Quantitative metrics confirmed our approach's superiority over existing methods (p < 0.05, Wilcoxon signed-rank test). Furthermore, we analyzed the impact of our MRI reconstruction method on the downstream task of brain segmentation and observed improved accuracy and volumetric agreement with reference segmentations. Our approach also achieved a substantial reduction in total reconstruction time compared to methods that use traditional registration algorithms, making it more suitable for real-time clinical applications. The code associated with this work is publicly available at https://github.com/amirshamaei/longitudinal-mri-deep-recon.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は重要な医用画像モダリティである。
しかし、長い買収期間は大きな課題であり、コストが増加し、患者の快適さが低下する。
近年の研究では、従来の被検者固有のMRI画像からの情報を組み込んだディープラーニングモデルを用いて、現在のスキャンの再構築品質を向上させる可能性が示されている。
この事前情報を統合するには、現在の画像再構成に前回のスキャンを登録する必要がある。
本稿では,初期再構成ネットワーク,深層登録モデル,トランスフォーマに基づく拡張ネットワークで構成される,新しいディープラーニングベースのMRI再構成フレームワークを提案する。
R5, R10, R15, R20の4因子において, 被験者18名から2,808画像のT1強調MRI画像の縦断的データセットを用いて本手法の有効性を検証した。
定量的測定により、既存の手法よりもアプローチの方が優れていることが確認された(p < 0.05, Wilcoxon sign-rank test)。
さらに,脳分節の下流課題に対するMRI再建法の影響を解析し,基準分節との精度向上と容積整合性について検討した。
提案手法は,従来の登録アルゴリズムを用いた手法と比較して,再建時間を大幅に短縮し,リアルタイム臨床応用に適している。
この作業に関連するコードはhttps://github.com/amirshamaei/longitudinal-mri-deep-recon.comで公開されている。
関連論文リスト
- Advancing MRI Reconstruction: A Systematic Review of Deep Learning and Compressed Sensing Integration [1.167578793004766]
長期の取得は、患者の不快感、モーションアーティファクト、リアルタイムアプリケーションの制限につながる可能性がある。
深層学習(DL)はMRI再建のための強力なツールである。
論文 参考訳（メタデータ） (2025-01-24T01:07:58Z) - 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) - Relaxometry Guided Quantitative Cardiac Magnetic Resonance Image Reconstruction [7.6061804149819885]
データから空間的事前学習を行うために,リラクソメトリー誘導定量的MRI再構成フレームワークを提案する。
実験により,提案手法は定量的MRI再構成において高い有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2024-03-01T14:18:00Z) - Deep-learning-based acceleration of MRI for radiotherapy planning of
pediatric patients with brain tumors [39.58317527488534]
RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。
DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
論文 参考訳（メタデータ） (2023-11-22T16:01:44Z) - 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) - 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) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - 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) - Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。
RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。
提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文 参考訳（メタデータ） (2021-11-18T11:44:04Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳（メタデータ） (2021-03-13T09:58:32Z)
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。