Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020198582 - FAST DIFFUSION TENSOR MRI USING DEEP LEARNING

Publication Number WO/2020/198582
Publication Date 01.10.2020
International Application No. PCT/US2020/025205
International Filing Date 27.03.2020
IPC
A61B 5/055 2006.01
AHUMAN NECESSITIES
61MEDICAL OR VETERINARY SCIENCE; HYGIENE
BDIAGNOSIS; SURGERY; IDENTIFICATION
5Measuring for diagnostic purposes; Identification of persons
05Measuring for diagnosis by means of electric currents or magnetic fields
055involving electronic or nuclear magnetic resonance, e.g. magnetic resonance imaging
G01R 33/54 2006.01
GPHYSICS
01MEASURING; TESTING
RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
33Arrangements or instruments for measuring magnetic variables
20involving magnetic resonance
44using nuclear magnetic resonance
48NMR imaging systems
54Signal processing systems, e.g. using pulse sequences
G01R 33/56 2006.01
GPHYSICS
01MEASURING; TESTING
RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
33Arrangements or instruments for measuring magnetic variables
20involving magnetic resonance
44using nuclear magnetic resonance
48NMR imaging systems
54Signal processing systems, e.g. using pulse sequences
56Image enhancement or correction, e.g. subtraction or averaging techniques
G06N 3/02 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
Applicants
  • THE GENERAL HOSPITAL CORPORATION [US]/[US]
Inventors
  • TIAN, Qiyuan
  • HUANG, Susie, Yi
  • BILGIC, Berkin
Agents
  • STONE, Jonathan, D.
Priority Data
62/824,57727.03.2019US
62/969,61503.02.2020US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) FAST DIFFUSION TENSOR MRI USING DEEP LEARNING
(FR) IRM DU TENSEUR DE DIFFUSION RAPIDE UTILISANT UN APPRENTISSAGE PROFOND
Abstract
(EN)
Higher quality diffusion metrics and/or diffusion-weighted images are generated from lower quality input diffusion-weighted images using a suitably trained neural network (or other machine learning algorithm). High-fidelity scalar and orientational diffusion metrics can be extracted using a theoretical minimum of a single non-diffusion-weighted image and six diffusion-weighted images, achieved with data-driven supervised deep learning. As an example, a deep convolutional neural network ("CNN") is used to map the input non-diffusion-weighted image and diffusion-weighted images sampled along six optimized diffusion-encoding directions to the residuals between the input and output high-quality non-diffusion-weighted image and diffusion-weighted images, which enables residual learning to boost the performance of CNN and full tensor fitting to generate any scalar and orientational diffusion metrics.
(FR)
Selon la présente invention, des métriques de diffusion de qualité supérieure et/ou des images pondérées en diffusion sont générées à partir d'images pondérées en diffusion d'entrée de qualité inférieure à l'aide d'un réseau neuronal entraîné de manière appropriée (ou d'un autre algorithme d'apprentissage machine). Des métriques de diffusion scalaire et d'orientation à haute fidélité peuvent être extraites à l'aide d'un minimum théorique d'une seule image non pondérée en diffusion et de six images pondérées en diffusion, obtenues avec un apprentissage profond supervisé entraîné par des données. À titre d'exemple, un réseau neuronal à convolution ("CNN") profond est utilisé pour mapper l'image non pondérée en diffusion d'entrée et les images pondérées en diffusion échantillonnées sur six directions de codage en diffusion optimisées aux résidus entre l'image non pondérée en diffusion de haute qualité et des images pondérées en diffusion d'entrée et de sortie, qui permet un apprentissage résiduel pour amplifier les performances du CNN et un ajustement complet du tenseur pour générer toutes les métriques de diffusion scalaire et d'orientation.
Latest bibliographic data on file with the International Bureau