دانلود مقاله یادگیری عمیق MR تصویر برداری_ مبتنی بر میرایی تصحیح تصویرسازی PET / MR
تعداد کلمات فایل انگلیسی:4200کلمه9صفحه pdf
تعداد صفحات فایل ترجمه:18صفحه word فونت14 Arial
برای توسعه و ارزیابی امکان‌سنجی روش‌های یادگیری عمیق برای رزونانس مغناطیسی ( MR )، میرایی مبتنی بر تصویر اصلاح ( AC ) ( وضعیت MRAC ) در مغز پرتونگاری انتشار پوزیترون ( PET ) / MR. یک تصویر PET / MR لوله AC با استفاده از رویکرد یادگیری عمیق برای تولید توموگرافی کاذب ( CT ) اسکن از تصاویر MRساخته شد .
یک شبکه کانوولاتورعمیق شبکه کدگذار خودکار برای شناسایی هوا، استخوان و بافت نرم در عکسهای هسته ای MR سر و گردن برای ارائه اطلاعات مربوط آموزش داده شده بود .مجموعه ای از 30 گذشته نگر 3 بعدی T1 عکسهای وزن سر برای اموزش مدل بکار گرفته میشد ،که پس از ارزیابی 10 بیمار با مقایسه یک CT اسکن ساختگی با یک CT اسکن اکتسابی بدست آمد .یک مطالعه ی آینده نگر به منظور استفاده از تصویر سازی همزمان PET/MR برای 5 موضوع با استفاده از روش پیشنهادی ایجاد شد .آنالیز کوواریانس و دو نمونه ی تست T برای تحلیلهای آماری در مقایسه خطای بازسازی MRAC عمیق و دو روش موجود در جریان متناوب عکسهای MR بر پایه AC با رویکرد به CT بر پایه AC .
MRAC عمیق یک CT اسکن دقیق با ضریب میانگین Dice از0.971 ±0.005 برای هوا، 0.936 ± 0.011 برای بافت نرم و0.803±0.021 برای استخوان ارائه می دهد .علاوه بر این MRAC عمیق نتایج خوبی برای PET دارد . به طور متوسط با خطای کمتر از 1/0 در اکثر مناطق مغز . به میزان قابل توجهی خطاهای بازسازی خطاهای بازسازی PET با MIRC عمیق(20.7% 6 1.1) در مقایسه با دیکسون مبتنی بر تقسیم بندی بافت نرم و هوا (25.8% 6 3.1) و ثبت الگوی بهداشت CT مبتنی بر (24.8% 6 2.2) نویسندگان یک رویکرد خودکار ایجاد کردند که اجازه انجام CT اسکن با ارزش گسسته ( بافت نرم ، استخوان و هوا ) از یک رزولوشن بالا – تصویر ۳ بعدی MR فضایی با کیفیت تشخیصی و ارزیابی تصویر برداریPET / MR در مغز را می دهد . این یادگیری عمیق ارائه شده برای عکسهای MR مبتنی بر خطای بازسازی PET نسبت به استاندارد مبتنی بر CT بر مقایسه مغز با تصویربرداری فعلی MR مبتنی بر ارائه AC .
Deep learning Mr imaging–based attenuation correction for PeT/Mr imaging1
To develop and evaluate the feasibility of deep learning ap- proaches for magnetic resonance (MR) imaging–based at- tenuation correction (AC) (termed deep MRAC) in brain positron emission tomography (PET)/MR imaging
A PET/MR imaging AC pipeline was built by using a deep learning approach to generate pseudo computed tomo- graphic (CT) scans from MR images. A deep convolutional auto-encoder network was trained to identify air, bone, and soft tissue in volumetric head MR images coregis- tered to CT data for training. A set of 30 retrospective three-dimensional T1-weighted head images was used to train the model, which was then evaluated in 10 patients by comparing the generated pseudo CT scan to an ac- quired CT scan. A prospective study was carried out for utilizing simultaneous PET/MR imaging for five subjects by using the proposed approach. Analysis of covariance and paired-sample t tests were used for statistical analysis to compare PET reconstruction error with deep MRAC and two existing MR imaging–based AC approaches with CT-based AC. Deep MRAC provides an accurate pseudo CT scan with a mean Dice coefficient of 0.971 6 0.005 for air, 0.936 6
0.011 for soft tissue, and 0.803 6 0.021 for bone. Further- more, deep MRAC provides good PET results, with aver- age errors of less than 1% in most brain regions. Signifi- cantly lower PET reconstruction errors were realized with deep MRAC (20.7% 6 1.1) compared with Dixon-based soft-tissue and air segmentation (25.8% 6 3.1) and an- atomic CT-based template registration (24.8% 6 2.2).The authors developed an automated approach that al- lows generation of discrete-valued pseudo CT scans (soft tissue, bone, and air) from a single high-spatial-resolution diagnostic-quality three-dimensional MR image and eval- uated it in brain PET/MR imaging. This deep learning approach for MR imaging–based AC provided reduced PET reconstruction error relative to a CT-based standard within the brain compared with current MR imaging– based AC approaches
کد:12710
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله یادگیری عمیق MR تصویر برداری_ مبتنی بر میرایی تصحیح تصویرسازی PET / MR
تعداد کلمات فایل انگلیسی:4200کلمه9صفحه pdf
تعداد صفحات فایل ترجمه:18صفحه word فونت14 Arial
برای توسعه و ارزیابی امکان‌سنجی روش‌های یادگیری عمیق برای رزونانس مغناطیسی ( MR )، میرایی مبتنی بر تصویر اصلاح ( AC ) ( وضعیت MRAC ) در مغز پرتونگاری انتشار پوزیترون ( PET ) / MR. یک تصویر PET / MR لوله AC با استفاده از رویکرد یادگیری عمیق برای تولید توموگرافی کاذب ( CT ) اسکن از تصاویر MRساخته شد .
یک شبکه کانوولاتورعمیق شبکه کدگذار خودکار برای شناسایی هوا، استخوان و بافت نرم در عکسهای هسته ای MR سر و گردن برای ارائه اطلاعات مربوط آموزش داده شده بود .مجموعه ای از 30 گذشته نگر 3 بعدی T1 عکسهای وزن سر برای اموزش مدل بکار گرفته میشد ،که پس از ارزیابی 10 بیمار با مقایسه یک CT اسکن ساختگی با یک CT اسکن اکتسابی بدست آمد .یک مطالعه ی آینده نگر به منظور استفاده از تصویر سازی همزمان PET/MR برای 5 موضوع با استفاده از روش پیشنهادی ایجاد شد .آنالیز کوواریانس و دو نمونه ی تست T برای تحلیلهای آماری در مقایسه خطای بازسازی MRAC عمیق و دو روش موجود در جریان متناوب عکسهای MR بر پایه AC با رویکرد به CT بر پایه AC .
MRAC عمیق یک CT اسکن دقیق با ضریب میانگین Dice از0.971 ±0.005 برای هوا، 0.936 ± 0.011 برای بافت نرم و0.803±0.021 برای استخوان ارائه می دهد .علاوه بر این MRAC عمیق نتایج خوبی برای PET دارد . به طور متوسط با خطای کمتر از 1/0 در اکثر مناطق مغز . به میزان قابل توجهی خطاهای بازسازی خطاهای بازسازی PET با MIRC عمیق(20.7% 6 1.1) در مقایسه با دیکسون مبتنی بر تقسیم بندی بافت نرم و هوا (25.8% 6 3.1) و ثبت الگوی بهداشت CT مبتنی بر (24.8% 6 2.2) نویسندگان یک رویکرد خودکار ایجاد کردند که اجازه انجام CT اسکن با ارزش گسسته ( بافت نرم ، استخوان و هوا ) از یک رزولوشن بالا – تصویر ۳ بعدی MR فضایی با کیفیت تشخیصی و ارزیابی تصویر برداریPET / MR در مغز را می دهد . این یادگیری عمیق ارائه شده برای عکسهای MR مبتنی بر خطای بازسازی PET نسبت به استاندارد مبتنی بر CT بر مقایسه مغز با تصویربرداری فعلی MR مبتنی بر ارائه AC .
Deep learning Mr imaging–based attenuation correction for PeT/Mr imaging1
To develop and evaluate the feasibility of deep learning ap- proaches for magnetic resonance (MR) imaging–based at- tenuation correction (AC) (termed deep MRAC) in brain positron emission tomography (PET)/MR imaging
A PET/MR imaging AC pipeline was built by using a deep learning approach to generate pseudo computed tomo- graphic (CT) scans from MR images. A deep convolutional auto-encoder network was trained to identify air, bone, and soft tissue in volumetric head MR images coregis- tered to CT data for training. A set of 30 retrospective three-dimensional T1-weighted head images was used to train the model, which was then evaluated in 10 patients by comparing the generated pseudo CT scan to an ac- quired CT scan. A prospective study was carried out for utilizing simultaneous PET/MR imaging for five subjects by using the proposed approach. Analysis of covariance and paired-sample t tests were used for statistical analysis to compare PET reconstruction error with deep MRAC and two existing MR imaging–based AC approaches with CT-based AC. Deep MRAC provides an accurate pseudo CT scan with a mean Dice coefficient of 0.971 6 0.005 for air, 0.936 6
0.011 for soft tissue, and 0.803 6 0.021 for bone. Further- more, deep MRAC provides good PET results, with aver- age errors of less than 1% in most brain regions. Signifi- cantly lower PET reconstruction errors were realized with deep MRAC (20.7% 6 1.1) compared with Dixon-based soft-tissue and air segmentation (25.8% 6 3.1) and an- atomic CT-based template registration (24.8% 6 2.2).The authors developed an automated approach that al- lows generation of discrete-valued pseudo CT scans (soft tissue, bone, and air) from a single high-spatial-resolution diagnostic-quality three-dimensional MR image and eval- uated it in brain PET/MR imaging. This deep learning approach for MR imaging–based AC provided reduced PET reconstruction error relative to a CT-based standard within the brain compared with current MR imaging– based AC approaches
کد:12710
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com