論文の概要: Susceptibility Distortion Correction of Diffusion MRI with a single Phase-Encoding Direction

• arxiv url: http://arxiv.org/abs/2508.13340v1
• Date: Mon, 18 Aug 2025 19:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.718309
• Title: Susceptibility Distortion Correction of Diffusion MRI with a single Phase-Encoding Direction
• Title（参考訳）: 単一位相エンコード方向の拡散MRIの感受性歪み補正
• Authors: Sedigheh Dargahi, Sylvain Bouix, Christian Desrosier,
• Abstract要約: 本稿では,1回の取得のみを用いて,受容可能性歪みを補正するための深層学習に基づくアプローチを提案する。 実験結果から,提案手法はトップアップに匹敵する性能を実現することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion MRI (dMRI) is a valuable tool to map brain microstructure and connectivity by analyzing water molecule diffusion in tissue. However, acquiring dMRI data requires to capture multiple 3D brain volumes in a short time, often leading to trade-offs in image quality. One challenging artifact is susceptibility-induced distortion, which introduces significant geometric and intensity deformations. Traditional correction methods, such as topup, rely on having access to blip-up and blip-down image pairs, limiting their applicability to retrospective data acquired with a single phase encoding direction. In this work, we propose a deep learning-based approach to correct susceptibility distortions using only a single acquisition (either blip-up or blip-down), eliminating the need for paired acquisitions. Experimental results show that our method achieves performance comparable to topup, demonstrating its potential as an efficient and practical alternative for susceptibility distortion correction in dMRI.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI)は、組織内の水分子の拡散を分析することで、脳の微細構造と接続性をマッピングする貴重なツールである。 しかし、dMRIデータを取得するには、短時間で複数の3D脳ボリュームをキャプチャする必要がある。 1つの挑戦的なアーティファクトは、感受性によって引き起こされる歪みであり、これは大きな幾何学的および強度の変形をもたらす。 トップアップのような従来の補正方法は、blip-upとblip-downの画像ペアへのアクセスに依存し、単一のフェーズエンコーディング方向で取得したレトロスペクティブデータに適用性を制限する。 本研究では,1つの取得(blip-up または blip-down のいずれか)のみを用いて,知覚歪みを補正する深層学習に基づくアプローチを提案する。 実験の結果,提案手法はトップアップに匹敵する性能を達成し,その可能性をdMRIにおける感受性歪み補正の効率的かつ実用的な代替手段として示している。

関連論文リスト

• 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)
• HAITCH: A Framework for Distortion and Motion Correction in Fetal Multi-Shell Diffusion-Weighted MRI [5.393543723150301]
  この研究は、マルチシェル高角解像度胎児dMRIデータの修正と再構成を行う最初の、かつ唯一公開されたツールであるHAITCHを提示する。 HaITCHは、動的歪み補正のためのblip-reversed dual-echo取得を含む、いくつかの技術的進歩を提供している。 HaITCHはアーティファクトの除去に成功し、高度な拡散モデリングに適した高忠実度胎児dMRIデータを再構成する。
  論文  参考訳（メタデータ） (2024-06-28T16:40:57Z)
• Eddeep: Fast eddy-current distortion correction for diffusion MRI with deep learning [2.359373908374829]
  画像間の対応を復元する画像トランスレータを提案する。 また,翻訳画像の整列化のための登録モデルを提案する。 この研究は、私たちの知る限りでは、ディープラーニングでこの問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2024-05-17T12:11:58Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。