文献

J-GLOBAL ID：202202266783046971   整理番号：22A0463611

辞書リーナー推定等方性体積分率を用いた単一シェルNODDI【JST・京大機械翻訳】

Single-shell NODDI using dictionary-learner-estimated isotropic volume fraction

著者 (11件)： Faiyaz Abrar (Department of Electrical and Computer Engineering, University of Rochester, Rochester, New York) ,  Doyley Marvin (Department of Electrical and Computer Engineering, University of Rochester, Rochester, New York) ,  Doyley Marvin (Department of Imaging Sciences, University of Rochester, Rochester, New York) ,  Doyley Marvin (Department of Biomedical Engineering, University of Rochester, Rochester, New York) ,  Schifitto Giovanni (Department of Electrical and Computer Engineering, University of Rochester, Rochester, New York) ,  Schifitto Giovanni (Department of Imaging Sciences, University of Rochester, Rochester, New York) ,  Schifitto Giovanni (Department of Neurology, University of Rochester, Rochester, New York) ,  Zhong Jianhui (Department of Imaging Sciences, University of Rochester, Rochester, New York) ,  Zhong Jianhui (Department of Biomedical Engineering, University of Rochester, Rochester, New York) ,  Zhong Jianhui (Department of Physics and Astronomy, University of Rochester, Rochester, New York) ,  Uddin Md Nasir (Department of Neurology, University of Rochester, Rochester, New York)
資料名： NMR in Biomedicine (Nuclear Magnetic Resonance)  (NMR in Biomedicine (Nuclear Magnetic Resonance))
巻： 35  号： 2  ページ： e4628  発行年： 2022年 
JST資料番号： T0635A  ISSN： 0952-3480  CODEN： NMRBEF  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： 神経突起配向分散と密度イメージング(NODDI)は,多殻拡散MRIデータから細胞内,細胞外,および自由水シグナルの評価を可能にする。それは脳組織微細構造を特性化するための洞察的アプローチである。NODDIパラメータに対する単一シェル再構成は,特に神経突起密度指数(NDI)に対して,フィッティング時の故障に起因する以前の研究で,議論されてきた。ここでは,事前として等方性体積分率(f_ISO)を用いて,単一シェルデータでロバストなNODDIパラメータマップを作成する可能性を調べた。事前推定は辞書学習手法を用いてNODDIモデル制約に無関係に行った。最初に,確率的スパース辞書ベースネットワーク(DictNet)を用いて,f_ISOを予測するために,in vivoおよびシミュレーション拡散MRIデータから得たデータで訓練した。単一シェルの場合,拡散重みづけのない平均拡散率と生T_2信号(S_0)をf_ISO推定のために辞書に組み込んだ。次に,NODDIフレームワークを既知のf_ISOを用いて,NDIと配向分散指数(ODI)を推定した。著者らのモデルを用いて推定したf_ISOを,シミュレーションにおける他のf_ISO推定器と比較した。さらに,3つのTスキャナ(高品質HCPと臨床データセットの両方)で収集した合成データシミュレーションとヒトデータの両方を用いて,単一シェルとマルチシェルデータの両方に対して,元のNODDIとのNODDI(DLpN)前の辞書ベース学習の性能を比較した。著者らの結果は,単一シェルプロトコルのためのDLpN由来NDIとODIパラメータが,元のマルチシェルNODDIに匹敵し,b=2000s/mm2のプロトコルが,最良(白色と灰白質で5%)を遂行することを示唆する。これは,DictNet f_ISO訓練のための2人の被験者のマルチシェル走査による単一シェルデータに関する研究のNODDI評価を可能にする。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： シミュレーション ,  *学習 ,  灰白質 ,  ヒト ,  画像処理 ,  走査装置 ,  ロバスト性
準シソーラス用語： 神経突起 ,  拡散MRI ,  被験者 ,  自由水 ,  臨床データ ,  高品質 ,  脳組織 ,  辞書学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  拡散MRI ,  神経突起密度 ,  配向分散 ,  単殻NODDI ,  スパース辞書学習

分類 (3件)： 有機化合物の電気伝導  (BM03045F) ,  水質調査測定一般  (SB02060X) ,  太陽電池  (NC03084O)

タイトルに関連する用語 (5件)： 辞書 ,  推定 ,  等方性 ,  体積分率 ,  シェル