論文の概要: Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI

• arxiv url: http://arxiv.org/abs/2607.26292v1
• Date: Tue, 28 Jul 2026 21:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.486354
• Title: Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI
• Title（参考訳）: 拡散MRIにおける高速渦電流歪み補正のためのディープラーニングフレームワークEddeep
• Authors: Antoine Legouhy, Ross Callaghan, Yuchuan Qiao, Whitney Stee, Philippe Peigneux, Hojjat Azadbakht, Hui Zhang,
• Abstract要約: 我々は,dMRIにおける高速渦電流歪み補正のためのディープラーニングフレームワークであるEddeepを提案する。 教師付き画像翻訳ネットワークは拡散強調画像とb=0画像の出現を標準化する。 第二に、教師なし登録ネットワークは、渦電流歪みと巻間頭部運動パラメータの両方を推定する。
• 参考スコア（独自算出の注目度）: 3.5746754864608214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion MRI (dMRI) relies on diffusion-weighted echo-planar imaging, which is highly susceptible to eddy-current-induced geometric distortions. These distortions vary across diffusion volumes according to gradient strength and direction, causing between-volume misalignment that can bias downstream microstructural analyses. Current state-of-the-art correction methods, such as FSL Eddy, achieve high-quality correction through iterative prediction-correction schemes but are computationally expensive. We propose Eddeep, a deep-learning framework for fast eddy-current distortion correction in dMRI. Eddeep decomposes the problem into two stages. First, a supervised image translation network standardises the appearance of diffusion-weighted and b=0 images, removing contrast differences that hinder reliable registration. Second, an unsupervised registration network estimates both eddy-current distortion and between-volume head motion parameters under a physics-constrained quadratic distortion model, enabling correction in a single forward pass. The method was trained on UK Biobank data and evaluated on both in-domain (UK Biobank) and out-of-domain (Memodyn) datasets. Across a range of complementary metrics, including between-volume jitter, diffusion kurtosis imaging residuals, signal irregularity, and mutual information, Eddeep achieved correction quality comparable to that of FSL Eddy while substantially reducing inference time. These results demonstrate that deep learning can provide accurate and efficient eddy-current distortion correction without relying on iterative optimisation, supporting the development of faster diffusion MRI processing pipelines for large-scale studies and clinical deployment. The code is available at: https://github.com/CIG-UCL/eddeep.
• Abstract（参考訳）: 拡散MRI(dMRI)は拡散強調エコープラナーイメージングに依存しており、渦電流誘起幾何歪みの影響を受けやすい。 これらの歪みは、勾配強度と方向に応じて拡散体積によって変化し、下流の微細構造解析に偏りを生じさせる巻間ミスアライメントを引き起こす。 FSL Eddyのような現在の最先端の補正手法は、反復予測補正方式によって高品質な補正を実現するが、計算コストは高い。 我々は,dMRIにおける高速渦電流歪み補正のためのディープラーニングフレームワークであるEddeepを提案する。 エドディープは問題を2段階に分解する。 まず、教師付き画像翻訳ネットワークは拡散強調画像とb=0画像の出現を標準化し、信頼性の高い登録を妨げるコントラスト差を除去する。 第二に、教師なし登録ネットワークは、物理制約2次歪みモデルの下で、渦電流歪みと体積間頭部運動パラメータの両方を推定し、単一の前方通過の補正を可能にする。 この方法は英国バイオバンクのデータに基づいてトレーニングされ、ドメイン内(UK Biobank)とドメイン外(Memodyn)の両方で評価された。 ボリューム間ジッタ,拡散カルテシス画像の残差,信号の不規則性,相互情報など,様々な相補的な指標を用いて,推定時間を大幅に短縮しつつ,FSL Eddyと同等の補正品質を達成した。 これらの結果は,大規模研究および臨床展開のための高速拡散MRI処理パイプラインの開発を支援するため,反復最適化に頼ることなく,高精度かつ効率的な渦電流歪み補正を実現することができることを示す。 コードは、https://github.com/CIG-UCL/eddeep.comで入手できる。

関連論文リスト

• Distortion-Corrected Diffusion MRI Using Rotated-View EPI and Joint Field-Map/Image Estimation with Gaussian Primitives [19.637125108820783]
  Echo Planar Imaging (EPI) は拡散と機能的ニューロイメージングの標準的な取得技術である。 EPI補正法は、まず並列画像を用いて歪んだ画像を再構成し、次にB0フィールドを推定し、画像領域の歪みを補正する。 k空間データから直接B0フィールドと歪みのない画像を共同で推定する物理インフォームド・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-30T11:33:19Z)
• Susceptibility Distortion Correction of Diffusion MRI with a single Phase-Encoding Direction [0.0]
  本稿では,1回の取得のみを用いて,受容可能性歪みを補正するための深層学習に基づくアプローチを提案する。 実験結果から,提案手法はトップアップに匹敵する性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-08-18T19:56:03Z)
• AccDiffusion v2: Towards More Accurate Higher-Resolution Diffusion Extrapolation [59.91176945361035]
  拡散モデルは、予測分解能が事前訓練された分解能と異なる場合、厳しい物体反復と局所歪みに悩まされる。 本稿では,AccDiffusion v2を提案する。
  論文  参考訳（メタデータ） (2024-12-03T02:44:35Z)
• Eddeep: Fast eddy-current distortion correction for diffusion MRI with deep learning [2.359373908374829]
  画像間の対応を復元する画像トランスレータを提案する。 また,翻訳画像の整列化のための登録モデルを提案する。 この研究は、私たちの知る限りでは、ディープラーニングでこの問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2024-05-17T12:11:58Z)
• Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
  線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。 加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。 高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
  論文  参考訳（メタデータ） (2024-03-13T17:28:20Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。