論文の概要: A deep learning model to reduce agent dose for contrast-enhanced MRI of the cerebellopontine angle cistern

• arxiv url: http://arxiv.org/abs/2511.20926v1
• Date: Tue, 25 Nov 2025 23:40:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.896026
• Title: A deep learning model to reduce agent dose for contrast-enhanced MRI of the cerebellopontine angle cistern
• Title（参考訳）: 深層学習モデルを用いた脳海綿角シンターンの造影MRI
• Authors: Yunjie Chen, Rianne A. Weber, Olaf M. Neve, Stephan R. Romeijn, Erik F. Hensen, Jelmer M. Wolterink, Qian Tao, Marius Staring, Berit M. Verbist,
• Abstract要約: 低用量シミュレーションから標準用量T1ceを復元するために、ディープラーニング(DL)モデルを訓練した。 DL保存したT1ceの画像品質とセグメンテーション性能を評価した。
• 参考スコア（独自算出の注目度）: 5.487261078203947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: To evaluate a deep learning (DL) model for reducing the agent dose of contrast-enhanced T1-weighted MRI (T1ce) of the cerebellopontine angle (CPA) cistern. Materials and methods: In this multi-center retrospective study, T1 and T1ce of vestibular schwannoma (VS) patients were used to simulate low-dose T1ce with varying reductions of contrast agent dose. DL models were trained to restore standard-dose T1ce from the low-dose simulation. The image quality and segmentation performance of the DL-restored T1ce were evaluated. A head and neck radiologist was asked to rate DL-restored images in multiple aspects, including image quality and diagnostic characterization. Results: 203 MRI studies from 72 VS patients (mean age, 58.51 \pm 14.73, 39 men) were evaluated. As the input dose increased, the structural similarity index measure of the restored T1ce increased from 0.639 \pm 0.113 to 0.993 \pm 0.009, and the peak signal-to-noise ratio increased from 21.6 \pm 3.73 dB to 41.4 \pm 4.84 dB. At 10% input dose, using DL-restored T1ce for segmentation improved the Dice from 0.673 to 0.734, the 95% Hausdorff distance from 2.38 mm to 2.07 mm, and the average surface distance from 1.00 mm to 0.59 mm. Both DL-restored T1ce from 10% and 30% input doses showed excellent images, with the latter being considered more informative. Conclusion: The DL model improved the image quality of low-dose MRI of the CPA cistern, which makes lesion detection and diagnostic characterization possible with 10% - 30% of the standard dose.
• Abstract（参考訳）: 目的: 深層学習(DL)モデルを用いて, セレベロポンチン角度(CPA)の造影T1強調MRI(T1ce)の薬剤投与量を減少させる。 対象と方法: 多施設共同研究において, 造影剤投与量の異なる低用量T1ceを模擬するために, 前庭神経癌(VS)患者T1ceとT1ceを使用した。 DLモデルは、低線量シミュレーションから標準線量T1ceを復元するために訓練された。 DL保存したT1ceの画像品質とセグメンテーション性能を評価した。 頭頸部X線検査では, 画像品質や診断的特徴など, DL保存画像の多面的評価が求められた。 結果: 72VS患者(平均年齢58.51 pm 14.73, 39名)のMRI203例について検討した。 入力線量の増加に伴い、復元されたT1ceの構造類似度指数は 0.639 pm 0.113 から 0.993 pm 0.009 に増加し、ピーク信号-雑音比は 21.6 pm 3.73 dB から 41.4 pm 4.84 dB に増加した。 10%の入力線量で、DL保存したT1ceを用いて、Diceは0.673から0.734に改善され、95%のハウスドルフ距離は2.38 mmから2.07 mm、平均表面距離は1.00 mmから0.59 mmに改善された。 DL-restored T1ceは10%, 30%の入力量から, 良好な画像が得られた。 結論: DLモデルにより, CPAシスターの低用量MRIの画質が向上し, 病変の検出と診断が可能となり, 標準用量の10%から30%の診断が可能となった。

関連論文リスト

• Deep Generative Models for Enhanced Vitreous OCT Imaging [0.7130302992490973]
  条件付き拡散確率モデル(cDDPM)、ブラウン橋拡散モデル(BBDM)、U-Net、Pix2Pix、Vector-Quantized Generative Adversarial Network(VQ-GAN)を評価した。
  論文  参考訳（メタデータ） (2025-11-02T10:36:59Z)
• Digital Contrast CT Pulmonary Angiography Synthesis from Non-contrast CT for Pulmonary Vascular Disease [11.57034839564871]
  CTPA(CTd Tomography lung angiography)は肺血管疾患の診断基準である。 ヨウ素化コントラスト剤への依存は、特に高リスク患者において、腎毒性やアレルギー反応などのリスクを引き起こす。 本研究では,非コントラストCT(NCCT)スキャンからカスケード合成器を用いてDigital ContrastA(DCCTPA)を生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-10-24T04:24:49Z)
• An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation [7.487974687364868]
  ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者に限られる。 本研究では,前コントラストマルチパラメトリックMRIからT1コントラスト強調画像(T1C)を生成する3次元ディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-09-29T02:22:55Z)
• Three-Dimensional Amyloid-Beta PET Synthesis from Structural MRI with Conditional Generative Adversarial Networks [45.426889188365685]
  アルツハイマー病の徴候には、アミロイド-ベタ鉱床と脳萎縮がある。 PETは高価で侵襲的であり、患者を電離放射線に曝す。 MRIはより安価で、非侵襲的で、電離放射線を含まないが、脳萎縮の測定に限られる。
  論文  参考訳（メタデータ） (2024-05-03T14:10:29Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• 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)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)
• Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features [3.4548443472506194]
  放射線学的特徴は、線量レベルとスライス厚さの違いによる取得の違いに敏感である。 減線量,厚みスライス (2.0mm) 画像を正常線量 (100%) , 薄いスライス (1.0mm) 画像に正規化するために, GAN (3D Generative Adversarial Network) を用いた。
  論文  参考訳（メタデータ） (2020-01-22T23:41:29Z)

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。