抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
磁気共鳴イメージング(MRI)は,高解像度で再現性のある画像を生成できる重要な非侵襲的臨床ツールである。しかし,長期走査時間は,患者の消耗と不快感をもたらす高品質MR画像に必要であり,患者の自発的運動と不随意の生理学的運動により,より多くのアーチファクトを誘発する。走査プロセスを加速するために,k空間サンプリングと深層学習ベースの再構成による方法を普及した。本研究は,高速MRI再構成のための新しいSwin変圧器ベースの方法であるSwinMRを導入した。全ネットワークは入力モジュール(IM),特徴抽出モジュール(FEM)および出力モジュール(OM)で構成した。IMとOMは2D畳込み層であり,FEMは残留Swin変圧器ブロック(RSTB)と2D畳込み層のカスケードで構成した。RSTBは一連のSwin変圧器層(STL)から構成された。STLのシフト窓マルチヘッド自己注意(W-MSA/SW-MSA)を,全画像空間における元の変圧器のマルチヘッド自己注意(MSA)よりむしろシフト窓において実行した。新しいマルチチャネル損失を感度マップを用いて提案して,それはより多くのテクスチャと詳細を保存することを証明した。Calgary-Campinas公共脳MRデータセットにおける一連の比較研究とアブレーション研究を実施し,マルチモーダル脳腫瘍セグメンテーションチャレンジ2017データセットにおける下流セグメンテーション実験を行った。結果は,著者らのSwinMRが他のベンチマーク方法と比較して高品質再構成を達成して,それはノイズ中断と種々のデータセットの下で,種々のアンダーサンプリングマスクで大きなロバスト性を示した。このコードはhttps://github.com/ayanglab/SwinMRで公開されている。【JST・京大機械翻訳】