文献

J-GLOBAL ID：202102270378244976   整理番号：21A0079730

DeepResp:マルチスライスGREにおける呼吸誘導B0ゆらぎアーチファクトのための深層学習解【JST・京大機械翻訳】

DeepResp: Deep learning solution for respiration-induced B₀ fluctuation artifacts in multi-slice GRE

著者 (8件)： An Hongjun (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea) ,  Shin Hyeong-Geol (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea) ,  Ji Sooyeon (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea) ,  Jung Woojin (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea) ,  Oh Sehong (Division of Biomedical Engineering, Hankuk University of Foreign Studies, Gyeonggi-do, South Korea) ,  Shin Dongmyung (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea) ,  Park Juhyung (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea) ,  Lee Jongho (Laboratory for Imaging Science and Technology, Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea)
資料名： NeuroImage  (NeuroImage)
巻： 224  ページ： Null  発行年： 2021年 
JST資料番号： W3139A  ISSN： 1053-8119  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 呼吸誘起B_0ゆらぎは,k空間における位相誤差を誘導することにより,MRI画像を崩壊させる。ナビゲータのような少数のアプローチが,シーケンス修正を犠牲にしてアーチファクトを修正するために提案された。本研究では,マルチスライス勾配エコー(GRE)画像における呼吸アーチファクトを低減するために,DeepRespと呼ばれる新しい深層学習法を提案した。深いニューラルネットワークを用いて複雑な画像から呼吸誘起位相誤差を抽出するために,深いRespを設計した。次に,ネットワーク生成位相誤差をk空間データに適用して,アーチファクト補正画像を作成した。ネットワーク訓練のために,コンピュータ模擬画像をアーチファクトフリー画像と呼吸データを用いて発生させた。評価した場合,2つの異なる呼吸条件(深呼吸および自然呼吸)の模擬画像およびin vivo画像の両者は,改善(シミュレーション:正規化した二乗平均平方根誤差(NRMSE)が7.8±5.2%から1.3±0.6%,構造的類似性(SSIM)が7.9±7.2%から0.99±0.01,SSIMが0.86±0.03から0.95±0.01,SSIMが13.9±10.2%から5.7±2.3%,自然呼吸:NRMSEが,5.2±3.3%から4.0±2.5%,SSIMが0.94±0.04から0.97±0.02,GSRが5.7±5.0%から2.8±1.1%,SSIMが13.9±3.3%から5.7±2.3%,SSIMが0.86±0.03から0.95±0.01に,SSIMが13.9±4.6%から5.7±2.3%まで,SSIMが13.9±4.6%から5.7±2.3%,SSIMが0.86±0.03から0.95±0.01まで,SSIMが13.9±4.6%から5.8±1.4%,SSIMが0.86±0.03から0.95±0.01に,SSIMが,13.9±4.6%から5.8±1.4%まで,SSIMが,それぞれ,1本アプローチは,配列または付加的ハードウェアの修正を必要とせず,従って有用な応用を見出す。さらに,深層ニューラルネットワークは呼吸誘起位相誤差を抽出し,それはエンドツーエンド訓練ネットワークの結果より解釈可能で信頼性が高い。Copyright 2021 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： シミュレーション ,  *ゆらぎ ,  信頼性 ,  ネットワーク ,  ニューラルネットワーク ,  エンドツーエンド方式 ,  ハードウェア ,  NMRイメージング ,  正規化 ,  コンピュータ ,  *アーチファクト
準シソーラス用語： 位相誤差 ,  *マルチスライス ,  *深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 呼吸誘導B0ゆらぎ ,  深層学習 ,  深層ニューラルネットワーク ,  GREにおける位相誤差

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (7件)： マルチスライス ,  呼吸 ,  誘導 ,  ゆらぎ ,  アーチファクト ,  深層学習 ,  解