文献

J-GLOBAL ID：202202230968487165   整理番号：22A0489893

QQ-NET-定量的感受性マッピングと定量的血液酸素レベル依存の大きさ(QSM+qBOLDまたはQQ)に基づく酸素抽出画分(OEF)マッピングを解決するための深層学習の利用【JST・京大機械翻訳】

QQ-NET - using deep learning to solve quantitative susceptibility mapping and quantitative blood oxygen level dependent magnitude (QSM+qBOLD or QQ) based oxygen extraction fraction (OEF) mapping

著者 (13件)： Cho Junghun (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Zhang Jinwei (Department of Biomedical Engineering, Cornell University, Ithaca, New York, USA) ,  Spincemaille Pascal (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Zhang Hang (Department of Biomedical Engineering, Cornell University, Ithaca, New York, USA) ,  Hubertus Simon (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Wen Yan (Department of Biomedical Engineering, Cornell University, Ithaca, New York, USA) ,  Jafari Ramin (Department of Biomedical Engineering, Cornell University, Ithaca, New York, USA) ,  Zhang Shun (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Nguyen Thanh D. (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Dimov Alexey V. (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Gupta Ajay (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Wang Yi (Department of Radiology, Weill Cornell Medical College, New York, New York, USA) ,  Wang Yi (Department of Biomedical Engineering, Cornell University, Ithaca, New York, USA)
資料名： Magnetic Resonance in Medicine  (Magnetic Resonance in Medicine)
巻： 87  号： 3  ページ： 1583-1594  発行年： 2022年 
JST資料番号： W2675A  ISSN： 0740-3194  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： PURPOSE:深部ニューラルネットワーク(QQ-NET)を用いた定量的磁化率マッピング+定量的血液酸素レベル依存性の大きさ(QSM+qBOLDまたはQQ)に基づく酸素抽出分画(OEF)マッピングの精度と速度を改善する。方法:3Dマルチエコー勾配エコー画像を34名の虚血性脳卒中患者と4名の健常被験者で取得した。動脈スピン標識および拡散強調画像(DWI)も,患者で実施した。NETを開発し,Unetに基づくQQモデル反転問題を解決した。QQベースのOEFマップを以前に導入した時間クラスタリング,組織構成,および全変動(CCTV)とNETで再構成した。結果を,2標本Kolmogorov-Smirnov試験を用いて,シミュレーション,虚血性脳卒中患者,および健常被験者で比較した。結果:シミュレーションにおいて,QQ-NETは,QQ-CCTVよりも,より正確で正確なOEFマップを提供し,150倍速い再構成速度を有した。亜急性脳卒中患者において,QQ-NETからのOEFは,QQ-CCTV:1.9±1.3対6.6±10.7(p=0.03)よりも,DWI定義病変とそれらの非罹患反対側正常組織の間のより大きなコントラスト対ノイズ比(CNR)を有した。健常者では,QQ-CCTVとQQ-NETの両方が均一なOEFマップを提供した。結論:QQ-NETは,より速い再構成でQQベースのOEFの精度を改善する。Copyright 2022 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： 磁化率 ,  シミュレーション ,  *酸素 ,  感受性 ,  クラスタ化 ,  再構成
準シソーラス用語： 被験者 ,  健常者 ,  抽出成分 ,  急性脳卒中 ,  *深層学習 ,  拡散強調画像 ,  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 (12件)： 酸素の脳代謝速度 ,  深層学習 ,  DL ,  酸素抽出画分 ,  qBOLD ,  QQ ,  QQ-NET ,  QSM ,  QSM+qBOLD ,  定量的血液酸素化レベル依存イメージング ,  定量的感受性マッピング ,  Unet

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (8件)： 定量 ,  感受性 ,  マッピング ,  血液 ,  酸素 ,  大きさ ,  画分 ,  深層学習