論文の概要: PSIRNet: Deep Learning-based Free-breathing Rapid Acquisition Late Enhancement Imaging

• arxiv url: http://arxiv.org/abs/2604.08781v1
• Date: Thu, 09 Apr 2026 21:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.589959
• Title: PSIRNet: Deep Learning-based Free-breathing Rapid Acquisition Late Enhancement Imaging
• Title（参考訳）: PSIRNet:Deep Learning-based Free-breathing Rapid Acquisition Late Enhancement Imaging
• Authors: Arda Atalik, Hui Xue, Rhodri H. Davies, Thomas A. Treibel, Daniel K. Sodickson, Michael S. Hansen, Peter Kellman,
• Abstract要約: PSIRNetは単一の取得から診断品質の高いPSIR LGE画像を生成する。 MOCO PSIRでは1スライスあたり約100msec, 5sec以上が必要であった。
• 参考スコア（独自算出の注目度）: 5.727162772692863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To develop and evaluate a deep learning (DL) method for free-breathing phase-sensitive inversion recovery (PSIR) late gadolinium enhancement (LGE) cardiac MRI that produces diagnostic-quality images from a single acquisition over two heartbeats, eliminating the need for 8 to 24 motion-corrected (MOCO) signal averages. Materials and Methods: Raw data comprising 800,653 slices from 55,917 patients, acquired on 1.5T and 3T scanners across multiple sites from 2016 to 2024, were used in this retrospective study. Data were split by patient: 640,000 slices (42,822 patients) for training and the remainder for validation and testing, without overlap. The training and testing data were from different institutions. PSIRNet, a physics-guided DL network with 845 million parameters, was trained end-to-end to reconstruct PSIR images with surface coil correction from a single interleaved IR/PD acquisition over two heartbeats. Reconstruction quality was evaluated using SSIM, PSNR, and NRMSE against MOCO PSIR references. Two expert cardiologists performed an independent qualitative assessment, scoring image quality on a 5-point Likert scale across bright blood, dark blood, and wideband LGE variants. Paired superiority and equivalence (margin = 0.25 Likert points) were tested using exact Wilcoxon signed-rank tests at a significance level of 0.05 using R version 4.5.2. Results: Both readers rated single-average PSIRNet reconstructions superior to MOCO PSIR for dark blood LGE (conservative P = .002); for bright blood and wideband, one reader rated it superior and the other confirmed equivalence (all P < .001). Inference required approximately 100 msec per slice versus more than 5 sec for MOCO PSIR. Conclusion: PSIRNet produces diagnostic-quality free-breathing PSIR LGE images from a single acquisition, enabling 8- to 24-fold reduction in acquisition time.
• Abstract（参考訳）: 目的:2つの心拍の1回の取得から診断品質の画像を生成するPSIR遅延ガドリニウム増強(LGE)心MRIのための深層学習(DL)法を開発・評価し、8〜24の運動補正(MOCO)信号平均を不要とする。 材料と方法:2016年から2024年にかけて, 1.5Tおよび3Tスキャナーで取得した55,917人の800,653個のスライスからなる生データを用いて, 振り返り調査を行った。 640,000スライス (42,822人) をトレーニング用とし, 残りは検証, テスト用で, 重複は認めなかった。 トレーニングとテストデータは、さまざまな機関のものです。 8億5500万のパラメータを持つ物理誘導型DLネットワークであるPSIRNetは、単一のインターリーブIR/PDによる2つの心拍による取得から表面コイル補正によるPSIR画像の再構築のために、エンドツーエンドに訓練された。 また,MOCO PSIR参照に対するSSIM,PSNR,NRMSEを用いて再現性を評価した。 2人の専門の心臓科医が独立した質的評価を行い、明るい血液、暗い血液、広帯域LGEの5点のクォルトスケールで画像品質を評価した。 Paired superiority and equivalence (margin = 0.25 Likert points) was test using exact Wilcoxon signed-rank test at a importance level 0.05 using R version 4.5.2。 結果: いずれの読者も, 暗色血液LGE (Conservative P = .002) において, MOCO PSIR より優れていると評価した。 推定には1スライスあたり約100msec、MOCO PSIRでは5秒以上が必要であった。 結論:PSIRNetは単一の取得から診断品質の高いPSIR LGE画像を生成し、取得時間の8倍から24倍の削減を可能にする。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Improving image quality of sparse-view lung tumor CT images with U-Net [3.5655865803527718]
  肺転移検出のためのU-Netを用いて,スパースビューCT画像の画質向上を目的とした。 プロジェクションビューは、IQを維持しながら2,048から64に減少し、良好なレベルで放射線学者の信頼性を維持することができる。
  論文  参考訳（メタデータ） (2023-07-28T12:03:55Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• 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)
• Fully Automated Myocardial Strain Estimation from CMR Tagged Images using a Deep Learning Framework in the UK Biobank [0.33271859484894845]
  本研究の目的は,短軸磁気共鳴タグ画像から心筋のひずみを推定するために,完全自動ディープラーニングフレームワークの有効性と性能を実証することである。 この枠組みは、糖尿病、高血圧症、および以前の心臓発作の患者において、周囲のひずみを著しく減少させた。
  論文  参考訳（メタデータ） (2020-04-15T12:49:15Z)

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。