Motion artifact correction in fetal MRI based on a Generative Adversarial network method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fetal MR imaging is subject to artifacts, where the most common type is caused by motion. These artifacts can appear as blurring and/or ghosting in the affected sequences. Currently if the motion artifact is severe or covers essential fetal tissue, the sequence acquisition must be repeated for diagnostic decision-making. We propose a novel deep learning network to reduce and remove motion artifacts in fetal MRIs. It follows a Generative Adversarial Network (GAN) framework where the Generator consists of an Autoencoder structure containing Residual blocks with Squeeze and Excitation (SE), and the Discriminator uses a sequential Convolutional Neural Network (CNN) design. The loss function is composed of weighted subcomponents involving WGAN, L1, and perceptual losses. The proposed network was trained on a synthetically created motion artifact dataset, and further validated on real motion-degraded images. The creation of the synthetic dataset consisted of randomly modifying the k-space of each scan. On the synthetic dataset, the proposed network achieved an average SSIM and PSNR of 93.7 % and 33.5 dB respectively. For the real motion affected dataset, the proposed network attained an average BRISQUE score of 21.1. These results outperformed current state-of-the-art techniques including BM3D, RED-Net, NLM filtering, and WGAN-VGG. The presented network facilitates rapid and accurate post-processing for fetal MRI. It can also improve diagnostic accuracy and can save time and money by reducing the number of rescans caused by severe motion artifacts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle