論文の概要: Deep Learning-Driven Inversion Framework for Shear Modulus Estimation in Magnetic Resonance Elastography (DIME)

• arxiv url: http://arxiv.org/abs/2512.13010v1
• Date: Mon, 15 Dec 2025 06:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.552678
• Title: Deep Learning-Driven Inversion Framework for Shear Modulus Estimation in Magnetic Resonance Elastography (DIME)
• Title（参考訳）: 磁気共鳴エラストグラフィー(DIME)におけるせん断弾性率推定のためのディープラーニング駆動インバージョンフレームワーク
• Authors: Hassan Iftikhar, Rizwan Ahmad, Arunark Kolipaka,
• Abstract要約: Multimodal Direct Inversion (MMDI)アルゴリズムは磁気共鳴エラストグラフィー(MRE)において組織せん断剛性を推定するために広く用いられている。 ラプラシアン作用素を用いることで、MMDIはノイズに非常に敏感になり、剛性推定の精度と信頼性を損なう。 本稿では,MRE(DIME)におけるせん断係数推定のためのDeep-Learning型インバージョンフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.20747297485044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Multimodal Direct Inversion (MMDI) algorithm is widely used in Magnetic Resonance Elastography (MRE) to estimate tissue shear stiffness. However, MMDI relies on the Helmholtz equation, which assumes wave propagation in a uniform, homogeneous, and infinite medium. Furthermore, the use of the Laplacian operator makes MMDI highly sensitive to noise, which compromises the accuracy and reliability of stiffness estimates. In this study, we propose the Deep-Learning driven Inversion Framework for Shear Modulus Estimation in MRE (DIME), aimed at enhancing the robustness of inversion. DIME is trained on the displacement fields-stiffness maps pair generated through Finite Element Modelling (FEM) simulations. To capture local wave behavior and improve robustness to global image variations, DIME is trained on small image patches. We first validated DIME using homogeneous and heterogeneous datasets simulated with FEM, where DIME produced stiffness maps with low inter-pixel variability, accurate boundary delineation, and higher correlation with ground truth (GT) compared to MMDI. Next, DIME was evaluated in a realistic anatomy-informed simulated liver dataset with known GT and compared directly to MMDI. DIME reproduced ground-truth stiffness patterns with high fidelity (r = 0.99, R^2 = 0.98), while MMDI showed greater underestimation. After validating DIME on synthetic data, we tested the model in in vivo liver MRE data from eight healthy and seven fibrotic subjects. DIME preserved physiologically consistent stiffness patterns and closely matched MMDI, which showed directional bias. Overall, DIME showed higher correlation with ground truth and visually similar stiffness patterns, whereas MMDI displayed a larger bias that can potentially be attributed to directional filtering. These preliminary results highlight the feasibility of DIME for clinical applications in MRE.
• Abstract（参考訳）: Multimodal Direct Inversion (MMDI)アルゴリズムは磁気共鳴エラストグラフィー(MRE)において組織せん断剛性を推定するために広く用いられている。 しかし、MMDIはヘルムホルツ方程式に依存し、均一で均一で無限の媒質で波動伝播を仮定する。 さらに、ラプラシア作用素を用いることで、MMDIはノイズに非常に敏感になり、剛性推定の精度と信頼性を損なう。 本研究では,MRE(DIME)におけるせん断係数推定のためのDeep-Learning-Driven Inversion Frameworkを提案する。 DIMEは有限要素モデリング(FEM)シミュレーションにより生成された変位場-剛性マップのペアに基づいて訓練される。 局所的な波動の振る舞いを捉え、グローバルな画像の変動に対する堅牢性を改善するために、DIMEは小さな画像パッチで訓練される。 我々はまず,FEMを模擬した同種・異種データセットを用いてDIMEを検証し,DIMEは画素間変動の少ない剛性マップ,正確な境界デライン化,およびMMDIと比較して基底真理(GT)との相関を高くした。 次に,DIMEをGTを用いたリアルな解剖インフォームド・シミュレート肝データセットで評価し,MMDIと直接比較した。 DIMEは高忠実度(r = 0.99, R^2 = 0.98)の地中剛性パターンを再現し, MMDIはより過小評価を示した。 8名の健常者および7名の線維性者から得られた肝MREデータを用いて,DIMEを合成データで検証した。 DIMEは生理学的に一貫した硬さパターンを保存し, 方向バイアスを呈するMMDIと密に一致した。 総じて,DIMEは地上の真実と視覚的に類似した硬さパターンとの相関が高かったが,MMDIは指向性フィルタリングに起因する可能性のある大きなバイアスを示した。 これらの予備的結果は、MREにおける臨床応用におけるDIMEの有効性を浮き彫りにした。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
  拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。 本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
  論文  参考訳（メタデータ） (2024-09-11T11:12:26Z)
• Preserved Edge Convolutional Neural Network for Sensitivity Enhancement of Deuterium Metabolic Imaging (DMI) [10.884358837187243]
  本研究は,Deuterium Metabolic Imaging (DMI)の感度向上のための深層学習手法を提案する。 畳み込みニューラルネットワーク(CNN)は低SNRから2H標識代謝物濃度を推定するために設計された。 推定精度は、MRIに基づく各DMIデータセットのエッジ保存正規化によるCNNの微調整によりさらに向上した。
  論文  参考訳（メタデータ） (2023-09-08T03:41:54Z)
• Robust Fiber Orientation Distribution Function Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [9.570365838548073]
  測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。 DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。 既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。 本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T14:06:40Z)
• Self-Supervised CSF Inpainting with Synthetic Atrophy for Improved Accuracy Validation of Cortical Surface Analyses [2.018732483255139]
  本稿では,パッチベースのドロップアウトトレーニング,エッジマップ先行,正弦波位置符号化を取り入れた新しい3次元GANモデルを提案する。 提案手法は,合成画像の品質を著しく向上させ,微調整による未確認データに適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-10T08:27:14Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。