文献

J-GLOBAL ID：201902277032571149   整理番号：19A1642241

畳込みニューラルネットワークを用いたMRトラクトグラフィーのための繊維配向分布関数の高速学習【JST・京大機械翻訳】

Fast learning of fiber orientation distribution function for MR tractography using convolutional neural network

著者 (9件)： Lin Zhichao (Department of Instrument Science & Technology, Zhejiang University, Hangzhou, 310027, China) ,  Gong Ting (Center for Brain Imaging Science and Technology, Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrumental Science, Zhejiang University, Hangzhou, Zhejiang, China) ,  Wang Kewen (College of Natural Science, Computer Science, The University of Texas at Austin, Austin, TX, USA) ,  Li Zhiwei (Department of Instrument Science & Technology, Zhejiang University, Hangzhou, 310027, China) ,  He Hongjian (Center for Brain Imaging Science and Technology, Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrumental Science, Zhejiang University, Hangzhou, Zhejiang, China) ,  Tong Qiqi (Center for Brain Imaging Science and Technology, Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrumental Science, Zhejiang University, Hangzhou, Zhejiang, China) ,  Yu Feng (Department of Instrument Science & Technology, Zhejiang University, Hangzhou, 310027, China) ,  Zhong Jianhui (Center for Brain Imaging Science and Technology, Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrumental Science, Zhejiang University, Hangzhou, Zhejiang, China) ,  Zhong Jianhui (University of Rochester, Rochester, NY, USA)
資料名： Medical Physics  (Medical Physics)
巻： 46  号： 7  ページ： 3101-3116  発行年： 2019年 
JST資料番号： A1258A  ISSN： 0094-2405  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 【目的】拡散強調磁気共鳴イメージング(DW-MRI)において,線維配向分布関数(FODF)は,脳全体を通して信頼できるトラクトグラフィを達成するための複雑な線維構成を解決するために非常に重要であり,最終的に脳連結性の理解と神経機能障害の調査を容易にする。最近,マルチシェル多組織制約球状デコンボリューション(MSMT-CSD)法が完全fODFを再構成するために探索されている。信頼できるフィッティングを達成するために,他のモデルベースのアプローチと同様に,多くの拡散測定がMSMT-CSD法に対して典型的に必要である。しかし,持続的な獲得は,実用的な臨床ルーチンでは実行可能ではなく,運動アーチファクトの傾向がある。取得を加速するために,著者らは,深い畳込みニューラルネットワーク(CNN)の強い推論能力を活用することによって,ダウンサンプリング拡散強調画像(DWIs)からFODFを再構成する方法を提案した。【方法】方法は,それぞれ入力と出力として球面高調波(SH)-代表DWI信号とFODF係数を扱う。各ボクセルにおける取得におけるDWIsの数の減少による減少した勾配方向を補償するために,その周辺ボクセルを,それらの空間的連続性を利用するためにネットワークによって組み込んだ。得られたFODF係数は,マルチターゲット回帰モデルにCNNを適用することに適合した。ネットワークは2つの畳込み層と3つの完全接続層から成る。この方法の初期評価を得るために,シミュレーションデータセット上でその性能を定量的に測定した。次に,in vivo試験のために,訓練セットとしてのヒトコネクトプロジェクト(HCP)からの24人の被験者と試験セットとしての6人の被験者からのデータを用いた。提案した方法の性能は,DWIsの数の減少とともに,主に超分解MSMT-CSDと比較した。すべての利用可能な288 DWIsからMSMT-CSDによって再構成されたfODFを,訓練ラベルと参照標準として使用した。性能を,角度相関係数(ACC)と平均角度誤差(MAE)によって定量的に測定した。結果:シミュレーションデータセットに対して,提案した方法はモデル再構成に対する潜在的利点を示した。in vivoデータセットに対して,すべての研究したケースにおいてMSMT-CSDよりも優れた結果を達成し,限られた数のDWIsを用いた場合,その利点はより明白であった。DWIsの数が95から25に減少すると,ACCの中央値はCNNに対して0.96から0.91の範囲にあったが,MSMT-CSDに対しては0.93から0.77(完全スコア1)であった。関心のある典型的な領域(ROIs)における角度誤差も,特にマルチファイバ領域においてはるかに低かった。1,2,3繊維を含む領域におけるCNN法の平均MAEは,MSMT-CSD法よりそれぞれ1.09°,2.75°,8.35°小さかった。FODFの視覚開始は,この優位性をさらに確認した。さらに,トラクトグラフィーの結果は,25のDWIsのみを有する既知の主要分岐繊維の保存において,学習されたFODFの有効性を検証した。結論:HCPデータセットに関する実験は,DWIsの11倍まで減少した数からfODFを回復することにおける提案方法の実現可能性を示した。提案した方法は,新しい流線再構成手順を提供し,良好な精度でfODFの再構成のための獲得加速における有望な可能性を示した。Copyright 2019 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ボクセル ,  デコンボリューション ,  有効性 ,  視覚 ,  *学習 ,  回帰モデル ,  再構成 ,  in vivo実験 ,  *ネットワーク ,  シミュレーション ,  NMRイメージング ,  *畳込み ,  *高速度
準シソーラス用語： 被験者 ,  *トラクトグラフィー , 【Automatic Indexing@JST】

著者キーワード (5件)： 制約付き球面デコンボリューション ,  畳み込みニューラルネットワーク ,  拡散強調MRイメージング ,  繊維配向分散関数 ,  繊維トラクトグラフィー

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： 畳込みニューラルネットワーク ,  MR ,  トラクトグラフィー ,  繊維配向 ,  分布関数 ,  学習