論文の概要: Deep learning motion correction of quantitative stress perfusion cardiovascular magnetic resonance

• arxiv url: http://arxiv.org/abs/2510.00723v1
• Date: Wed, 01 Oct 2025 09:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.500843
• Title: Deep learning motion correction of quantitative stress perfusion cardiovascular magnetic resonance
• Title（参考訳）: 定量的応力灌流心血管磁気共鳴の深部学習運動補正
• Authors: Noortje I. P. Schueler, Nathan C. K. Wong, Richard J. Crawley, Josien P. W. Pluim, Amedeo Chiribiri, Cian M. Scannell,
• Abstract要約: 教師なし深層学習に基づく動き補正パイプラインを開発した。 3つのステップで動きを補正し、強靭な主成分分析を用いてコントラスト関連の効果を減少させる。 評価は時間的アライメントと定量灌流値を用いて行った。
• 参考スコア（独自算出の注目度）: 0.9195911076768547
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Quantitative stress perfusion cardiovascular magnetic resonance (CMR) is a powerful tool for assessing myocardial ischemia. Motion correction is essential for accurate pixel-wise mapping but traditional registration-based methods are slow and sensitive to acquisition variability, limiting robustness and scalability. Methods: We developed an unsupervised deep learning-based motion correction pipeline that replaces iterative registration with efficient one-shot estimation. The method corrects motion in three steps and uses robust principal component analysis to reduce contrast-related effects. It aligns the perfusion series and auxiliary images (arterial input function and proton density-weighted series). Models were trained and validated on multivendor data from 201 patients, with 38 held out for testing. Performance was assessed via temporal alignment and quantitative perfusion values, compared to a previously published registration-based method. Results: The deep learning approach significantly improved temporal smoothness of time-intensity curves (p<0.001). Myocardial alignment (Dice = 0.92 (0.04) and 0.91 (0.05)) was comparable to the baseline and superior to before registration (Dice = 0.80 (0.09), p<0.001). Perfusion maps showed reduced motion, with lower standard deviation in the myocardium (0.52 (0.39) ml/min/g) compared to baseline (0.55 (0.44) ml/min/g). Processing time was reduced 15-fold. Conclusion: This deep learning pipeline enables fast, robust motion correction for stress perfusion CMR, improving accuracy across dynamic and auxiliary images. Trained on multivendor data, it generalizes across sequences and may facilitate broader clinical adoption of quantitative perfusion imaging.
• Abstract（参考訳）: 背景: 定量的ストレス灌流心血管磁気共鳴(CMR)は、心筋虚血を評価する強力なツールである。 動き補正は正確なピクセルワイドマッピングには不可欠であるが、従来の登録ベースの手法は速度が遅く、取得のばらつきに敏感であり、堅牢性とスケーラビリティを制限している。 方法: 反復的な登録を効率的なワンショット推定に置き換える,教師なし深層学習に基づく動き補正パイプラインを開発した。 この方法は3段階の運動を補正し、強靭な主成分分析を用いてコントラスト効果を低減させる。 パーフュージョン級数と補助像(アーテリアル入力関数と陽子密度重み付き級数)を整列する。 モデルは201人の患者から得られたマルチベンダデータに基づいてトレーニングされ、検証された。 時間的アライメントと定量的灌流値を用いて評価を行った。 結果: 深層学習は時間強度曲線の時間的滑らかさを著しく改善した(p<0.001。 心筋アライメント (Dice = 0.92 (0.04), 0.91 (0.05) はベースラインに匹敵し, 登録前 (Dice = 0.80 (0.09), p<0.001) より優れていた。 灌流図では、標準偏差が0.52 (0.39) ml/min/g) であるのに対し、ベースライン (0.55 (0.44) ml/min/g) は0.55 (0.44) ml/min/g) であった。 処理時間は15倍に短縮された。 結論: このディープラーニングパイプラインは、高速で堅牢なCMRの運動補正を可能にし、動的および補助的な画像の精度を向上させる。 マルチベンダデータに基づいて訓練され、シークエンスにまたがって一般化し、定量的灌流イメージングのより広範な臨床導入を促進する可能性がある。

関連論文リスト

• Implicit Neural Representations of Intramyocardial Motion and Strain [5.982605533590515]
  本研究では, 連続左室変位の予測法について, 推定時間最適化を必要とせずに提案する。 452英国のバイオバンク試験で評価したところ、この手法は最高の追跡精度 (2.14 mm RMSE) と、地球外周率 (2.86%) と放射率 (6.42%) で最小の組み合わせ誤差を達成した。
  論文  参考訳（メタデータ） (2025-09-10T21:05:27Z)
• A Deep Learning Based Method for Fast Registration of Cardiac Magnetic Resonance Images [8.41988616568344]
  本論文では、心臓のひずみを定量化するために、高速で容積的な登録モデルを提案する。 提案するディープラーニングニューラルネットワーク(DLNN)は,畳み込みを極めて効率的に計算できるアーキテクチャを利用するように設計されている。
  論文  参考訳（メタデータ） (2025-06-23T22:06:07Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Machine Learning-based Signal Quality Assessment for Cardiac Volume Monitoring in Electrical Impedance Tomography [0.8541111605978491]
  臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。 本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。 提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
  論文  参考訳（メタデータ） (2023-01-04T07:13:21Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle Quantification [6.887389908965403]
  心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。 まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。 提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
  論文  参考訳（メタデータ） (2020-12-24T17:48:35Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)
• 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。