文献

J-GLOBAL ID：202002234358479873   整理番号：20A1876519

深層学習を用いたB_1補償の取り込みによる定量的MRイメージングの加速【JST・京大機械翻訳】

Accelerating quantitative MR imaging with the incorporation of B ₁ compensation using deep learning

著者 (4件)： Wu Yan (Radiation Oncology Department, Stanford University, Stanford, California 94305, USA) ,  Ma Yajun (Radiology Department, University of California San Diego, La Jolla, California 92093, USA) ,  Du Jiang (Radiology Department, University of California San Diego, La Jolla, California 92093, USA) ,  Xing Lei (Radiation Oncology Department, Stanford University, Stanford, California 94305, USA)
資料名： Magnetic Resonance Imaging  (Magnetic Resonance Imaging)
巻： 72  ページ： 78-86  発行年： 2020年 
JST資料番号： A1133A  ISSN： 0730-725X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 定量的磁気共鳴映像法(MRI)は,定量的画像解析とデータ駆動医学へのその支持により注目を集めている。しかし,定量的MRIの応用は,反復画像取得とフィールドマップの測定に必要な長いデータ収集時間によって厳しく制限される。人工知能の最近の発展に触発されて,著者らは定量的MRIの取得を加速するための深層学習戦略を提案し,そこでは,すべての定量的T_1マップを,高周波場不均一性を有する2つの高度にアンダーサンプリングした可変コントラスト画像から自動的に補償した。多段階フレームワークにおいて,可変コントラスト画像を,畳み込みニューラルネットワークを用いて,インコヒーレントにアンダーサンプリングした画像から最初に再構成した。次に,T_1マップとB_1マップを深層学習を用いて再構成画像から予測した。したがって,加速度は,あらゆる入力画像におけるアンダーサンプリング,可変コントラスト画像の数の減少,およびB_1マップ測定の wverを含む。戦略は軟骨のT_1マッピングで検証された。一貫した画像プロトコルにより,51人の被験者からの1224の画像セットを用いて予測モデルの訓練を行い,12人の被験者からの288の画像セットを試験に用いた。高度な加速度は,画像忠実度が良好に維持された。本法は,他の組織特性(例えばT_2,T_1ρ)の定量に広く応用できる。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コントラスト ,  加速度 ,  軟骨 ,  HF【周波数】 ,  人工知能 ,  再構成 ,  データ収集 ,  不均一性 ,  *NMRイメージング ,  予測モデル
準シソーラス用語： 被験者 ,  アンダーサンプリング ,  データ駆動 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： 深層学習 ,  補償 ,  取り込み ,  定量 ,  MRイメージング ,  加速