論文の概要: Training deep learning based dynamic MR image reconstruction using synthetic fractals

• arxiv url: http://arxiv.org/abs/2603.29922v1
• Date: Tue, 31 Mar 2026 15:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.773329
• Title: Training deep learning based dynamic MR image reconstruction using synthetic fractals
• Title（参考訳）: 合成フラクタルを用いた深層学習に基づく動的MR画像再構成の訓練
• Authors: Anirudh Raman, Olivier Jaubert, Mark Wrobel, Tina Yao, Ruaraidh Campbell, Rebecca Baker, Ruta Virsinskaite, Daniel Knight, Michael Quail, Jennifer Steeden, Vivek Muthurangu,
• Abstract要約: フラクタルデータを四元数Juliaフラクタルを用いて生成し、2D以上の時間画像を生成する。 これらのフラクタルデータ(FDL)を用いて深部アーチファクト抑制モデルを訓練し、心臓MRIデータ(CMR-DL)で訓練した同一モデルと比較した。 FDLとCMR-DLの定位では有意差は認められなかったが,CSとLR-DIPでは有意差は認められなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To investigate whether synthetically generated fractal data can be used to train deep learning (DL) models for dynamic MRI reconstruction, thereby avoiding the privacy, licensing, and availability limitations associated with cardiac MR training datasets. Methods: A training dataset was generated using quaternion Julia fractals to produce 2D+time images. Multi-coil MRI acquisition was simulated to generate paired fully sampled and radially undersampled k-space data. A 3D UNet deep artefact suppression model was trained using these fractal data (F-DL) and compared with an identical model trained on cardiac MRI data (CMR-DL). Both models were evaluated on prospectively acquired radial real-time cardiac MRI from 10 patients. Reconstructions were compared against compressed sensing(CS) and low-rank deep image prior (LR-DIP). All reconstrctuions were ranked for image quality, while ventricular volumes and ejection fraction were compared with reference breath-hold cine MRI. Results: There was no significant difference in qualitative ranking between F-DL and CMR-DL (p=0.9), while both outperformed CS and LR-DIP (p<0.001). Ventricular volumes and function derived from F-DL were similar to CMR-DL, showing no significant bias and accptable limits of agreement compared to reference cine imaging. However, LR-DIP had a signifcant bias (p=0.016) and wider lmits of agreement. Conclusion: DL models trained using synthetic fractal data can reconstruct real-time cardiac MRI with image quality and clinical measurements comparable to models trained on true cardiac MRI data. Fractal training data provide an open, scalable alternative to clinical datasets and may enable development of more generalisable DL reconstruction models for dynamic MRI.
• Abstract（参考訳）: 目的: 人工的に生成されたフラクタルデータを用いて, 動的MRI再構成のためのディープラーニングモデル(DL)のトレーニングが可能かを検討する。 方法: 四元数Juliaフラクタルを用いてトレーニングデータセットを生成して2D以上の時間画像を生成する。 マルチコイルMRIの取得をシミュレートし,全サンプルと放射的にアンサンプされたk空間データを生成する。 これらのフラクタルデータ(F-DL)を用いて3次元UNet深部アーチファクト抑制モデルを訓練し,心臓MRIデータ(CMR-DL)でトレーニングした同一モデルと比較した。 両モデルとも10例の近視的リアルタイム心電図で検討した。 圧縮センシング (CS) と低ランク深部画像 (LR-DIP) との比較を行った。 心室容積と排ガス分画は基準呼吸保持シネMRIと比較した。 結果: F-DL と CMR-DL (p=0.9) の定位では有意差は認められなかったが,CS と LR-DIP (p<0.001。 心室容積とF-DL由来の機能はCMR-DLと類似しており,基準シネ画像と比較すると有意なバイアスや一致限界は認められなかった。 しかし、LR-DIPはシグナフカントバイアス(p=0.016)とより広い合意範囲を有していた。 結論: 合成フラクタルデータを用いて訓練されたDLモデルは, 真の心臓MRIデータに基づいて訓練されたモデルに匹敵する, 画像品質と臨床測定でリアルタイムの心MRIを再構築することができる。 フラクタルトレーニングデータは、臨床データセットのオープンでスケーラブルな代替手段を提供し、ダイナミックMRIのためのより一般化可能なDL再構成モデルの開発を可能にする。

関連論文リスト

• MRI-to-CT synthesis using drifting models [5.778834727646095]
  MRI-to-CT合成は、追加の電離放射線を回避しつつ、骨の詳細なCTのような画像を提供することで、MRのみの骨盤CTを可能にする。 本研究では,MRIによる骨盤CT画像の漂流モデルについて検討した。 画像は、畳み込みニューラルネットワーク(UNet, VAE)、生成的敵ネットワーク(WGAN-GP)、物理に着想を得た確率モデル(PPFM)、拡散に基づく手法に対してベンチマークされる。
  論文  参考訳（メタデータ） (2026-03-30T14:34:32Z)
• MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors [0.0280162601599316]
  プラグアンドプレイの定量的再構成フレームワークであるMRI2Qmapを紹介する。 物理取得モデルと、大規模なマルチモーダル重み付きMRIデータセットで事前訓練されたディープ・デノナイズ・オートエンコーダから学んだ事前情報を統合する。 提案手法は,in-vivo およびsimulated acquisitions から高高速化された3次元脳内MRFデータに対して検証を行った。
  論文  参考訳（メタデータ） (2026-03-11T21:23:52Z)
• Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma [0.0]
  人工知能(AI)の最近の進歩は、臨床データから条件付きマルチモーダル画像の生成を可能にする。 そこで本研究では, トラクタル内腫瘍におけるAIによる追跡MRIの生成について検討した。
  論文  参考訳（メタデータ） (2026-03-09T13:43:58Z)
• 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)
• 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)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction [20.84830225817378]
  Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
  論文  参考訳（メタデータ） (2023-07-25T03:11:24Z)
• Physics-informed Deep Diffusion MRI Reconstruction with Synthetic Data: Break Training Data Bottleneck in Artificial Intelligence [31.25388976923081]
  拡散磁気共鳴イメージング(MRI)は、非侵襲的な水分子の動き検出のための唯一の画像モダリティである。 マルチショット技術で取得したDWI MRIは,高分解能,信号対雑音比,幾何歪みの低減を実現している。 これらのアーティファクトは将来的に除去できないため、アーティファクトフリーのトレーニングラベルが欠落する。 高品質なペアリング学習データを合成する物理インフォームド深部DWI再構成法を提案する。
  論文  参考訳（メタデータ） (2022-10-20T16:27:54Z)
• 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)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。