論文の概要: DeepPV-MRF: End-to-End Partial-Volume Fraction Estimation from MR Fingerprinting Time Series

• arxiv url: http://arxiv.org/abs/2610.19894v1
• Date: Wed, 14 Oct 2026 09:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.076693
• Title: DeepPV-MRF: End-to-End Partial-Volume Fraction Estimation from MR Fingerprinting Time Series
• Title（参考訳）: DeepPV-MRF:MRフィンガープリンティング時系列による端端端部分体積分率推定
• Abstract要約: 本稿では,生のMRF信号からボクセル単位の組織分画を直接推定するディープラーニングフレームワークであるDeepPV-MRFを紹介する。 ネットワークは、時間エンコーディングと空間的U-Net精製を組み合わせて、脳脊髄液(CSF)、灰白質(GM)、白質(WM)の分画を推定する。 シミュレーションおよび生体内データを用いて,DeepPV-MRFと部分体積辞書マッチング(PV-DM)と擬似逆推定(PV-Pinv)を比較した。
• 参考スコア（独自算出の注目度）: 8.857930809600571
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Estimating subvoxel tissue fractions from magnetic resonance fingerprinting (MRF) is challenging. Conventional dictionary matching and segmentation pipelines can propagate errors from intermediate parametric maps into tissue fraction estimates. Purpose: We introduce DeepPV-MRF, a deep learning framework that directly estimates voxel-wise tissue fractions from raw MRF signals. Methods: A cascaded spatial-temporal network was trained on subject-derived Bloch simulations with radial k-space undersampling. The network combines temporal encoding and spatial U-Net refinement to estimate cerebrospinal fluid (CSF), gray matter (GM), and white matter (WM) fractions without intermediate T1/T2 maps. We compared DeepPV-MRF with partial-volume dictionary matching (PV-DM) and pseudoinverse estimation (PV-Pinv) using simulated and in vivo data. Results: DeepPV-MRF outperformed both methods across acquisition settings. In single-shot simulations, CSF/WM/GM mean absolute errors were 0.0418/0.0744/0.0757, versus 0.1281/0.2443/0.2958 for PV-DM and 0.2021/0.2793/0.2630 for PV-Pinv. Corresponding structural similarity values were 0.960/0.916/0.922. In vivo results showed sharper anatomical boundaries and smoother tissue transitions, while cross-shot analysis indicated improved consistency across volunteers. Conclusions: DeepPV-MRF enables accurate and efficient direct tissue fraction estimation from MRF signals, particularly with limited shots. Further validation is needed before clinical deployment.
• Abstract（参考訳）: 背景: 磁気共鳴指紋検査(MRF)によるサブボクセル組織分画の推定は困難である。 従来の辞書マッチングとセグメンテーションパイプラインは、中間パラメトリックマップからの誤差を組織分数推定に伝達することができる。 目的: 生のMRF信号からvoxel-wiseの組織分画を直接推定するディープラーニングフレームワークであるDeepPV-MRFを導入する。 方法: 放射状k空間アンダーサンプリングを用いた主観的ブロッホシミュレーションにおいて, 空間時空間ネットワークを訓練した。 このネットワークは、時間エンコーディングと空間的U-Netリファインメントを組み合わせて、中間T1/T2マップのない脳脊髄液(CSF)、灰白質(GM)、白質(WM)分画を推定する。 シミュレーションおよび生体内データを用いて,DeepPV-MRFと部分体積辞書マッチング(PV-DM)と擬似逆推定(PV-Pinv)を比較した。 結果: DeepPV-MRFは、買収設定間で、どちらの方法よりも優れています。 単発シミュレーションでは、CSF/WM/GMの絶対誤差は0.0418/0.0744/0.0757であり、PV-DMは0.1281/0.2443/0.2958、PV-Pinvは0.2021/0.2793/0.2630であった。 構造類似度は0.960/0.916/0.922。 In vivoでは、解剖学的境界が鋭く、組織の変化が滑らかになり、クロスショット分析では、ボランティア間での一貫性が向上した。 結論: DeepPV-MRFは、特に限られたショットで、MRF信号から正確かつ効率的な組織分画推定を可能にする。 臨床展開の前にさらなる検証が必要である。

関連論文リスト

• Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
  両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。 本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
  論文  参考訳（メタデータ） (2026-06-02T12:32:43Z)
• Point Cloud Registration for Fusion between SPECT MPI and CTA Images [31.52555943262385]
  手動のランドマークへの依存とモダリティの相違は、正確な虚血の局在と病変レベルの機能評価を妨げる可能性がある。 本稿では, SPECT MPI と CTA の登録・融合フレームワークを提案し, 機能的・構造的情報を統合して心的総合評価を行う。
  論文  参考訳（メタデータ） (2026-04-27T14:24:49Z)
• Computed Tomography (CT)-derived Cardiovascular Flow Estimation Using Physics-Informed Neural Networks Improves with Sinogram-based Training: A Simulation Study [35.6492311618019]
  非侵襲的画像に基づく血流評価は、心臓機能や構造を評価する上で重要な役割を担っている。 本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた流れ推定におけるCT画像の影響について検討した。 そこで我々は,血流を推定するためにシングラムデータを直接利用する改良されたフレームワークであるSinoFlowを提案する。
  論文  参考訳（メタデータ） (2025-11-05T21:44:47Z)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
  拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。 本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T19:08:40Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Image2Flow: A hybrid image and graph convolutional neural network for rapid patient-specific pulmonary artery segmentation and CFD flow field calculation from 3D cardiac MRI data [0.0]
  この研究では、パブリックデータセットとプライベートデータセットの両方から135個の3D心筋MRIを使用した。 Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
  論文  参考訳（メタデータ） (2024-02-28T11:01:14Z)
• Magnetic Resonance Fingerprinting with compressed sensing and distance metric learning [38.88009278259666]
  MRF(Magnetic Resonance Fingerprinting)は、複数の組織関連パラメータを同時に推定する新しい技術である。 MRF法は、k空間データを著しくアンサンプするため、アーティファクトのエイリアスに悩まされる。 複数の組織関連パラメータを同時に推定する圧縮センシング(CS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-19T03:08:26Z)
• Neural Network-derived perfusion maps: a Model-free approach to computed tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
  畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。 cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
  論文  参考訳（メタデータ） (2021-01-15T07:11:02Z)
• ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
  本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。 モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
  論文  参考訳（メタデータ） (2020-08-11T02:40:53Z)

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。