This research paper introduces a novel method for accelerating multi-spectral MRI scans near metal implants using variable resolution sampling and deep learning-based image reconstruction, demonstrating its potential to reduce scan times while maintaining high image quality.
FANCL, a novel deep learning model, leverages feature-guided attention and curriculum learning to overcome limitations of traditional CNNs in segmenting brain metastases (BMs) from MRI, particularly small and irregular lesions, achieving superior performance compared to existing methods.
低磁場新生児MRIの課題である長いスキャン時間とモーションアーチファクトは、拡散ベースの生成モデルと信号処理ベースのモーションモデリングを用いることで改善できる。
本稿では、全身PET-CTスキャンにおける腫瘍の自動セグメンテーションのためにnnUNetを応用し、その有効性と汎用性を高めるためのトレーニングおよび後処理戦略について検討した。
This research paper presents the application of a deep learning model, nnUNet, for the automated segmentation of tumors in whole-body PET-CT scans, aiming to improve the accuracy and efficiency of tumor identification in oncological practice.
本稿では、高速かつ高感度で取得可能な低解像度MRSIデータから高解像度MRSIを生成する、フローベースのTruncated Denoising Diffusion Model (FTDDM)を紹介する。
本稿では、加速化されたMRIデータから心臓の動きを高精度かつ高速に推定する、k空間における深層学習ベースの新しい非剛体レジストレーションフレームワーク、LAPANetを提案する。
本稿では、高ビット深度ボリュームメディカル画像のロスレス圧縮のための新しいフレームワーク「BD-LVIC」を提案する。高ビット深度ボリュームをMSBVとLSBVの2つの低ビット深度サブボリュームに分割し、それぞれに最適化された圧縮手法を適用することで、従来手法を超える圧縮効率と処理速度を実現する。
This paper introduces a novel, gradient-based motion estimation approach for CBCT that significantly reduces motion artifacts and speeds up computation compared to existing methods, making it particularly valuable for time-sensitive clinical scenarios like acute stroke assessment.
본 논문에서는 콘빔 CT(CBCT)에서 발생하는 움직임으로 인한 이미지 품질 저하 문제를 해결하기 위해 그래디언트 기반 최적화 알고리즘을 사용한 새로운 모션 추정 접근 방식을 제안합니다. 이 접근 방식은 기존 방법보다 19배 빠른 속도를 제공하며, 보다 정확한 모션 추정을 위해 픽셀 단위 품질 맵을 예측하는 자동 인코더와 유사한 아키텍처를 사용합니다.