Improving DCE-MRI through Unfolded Low-Rank + Sparse Optimisation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68081731%3A_____%2F24%3A00636597" target="_blank" >RIV/68081731:_____/24:00636597 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216305:26220/24:PU152006

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/10635295" target="_blank" >https://ieeexplore.ieee.org/document/10635295</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISBI56570.2024.10635295" target="_blank" >10.1109/ISBI56570.2024.10635295</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improving DCE-MRI through Unfolded Low-Rank + Sparse Optimisation

Popis výsledku v původním jazyce

A method for perfusion imaging with DCE-MRI is developed based on a combination of two popular paradigms: the low-rank + sparse model for optimisation-based reconstruction, and the deep unfolding. A learnable algorithm derived from a proximal method is designed with emphasis on simplicity and interpretability. The resulting deep network is trained and evaluated using a simulated measurement of a rat with a brain tumor, showing large performance gain over the classical low-rank + sparse baseline. Moreover, a quantitative perfusion analysis is performed based on the reconstructed sequence, proving that even training based on a simple pixel-wise error can lead to a significant improvement of the quality of the perfusion maps.

Název v anglickém jazyce

Improving DCE-MRI through Unfolded Low-Rank + Sparse Optimisation

Popis výsledku anglicky

A method for perfusion imaging with DCE-MRI is developed based on a combination of two popular paradigms: the low-rank + sparse model for optimisation-based reconstruction, and the deep unfolding. A learnable algorithm derived from a proximal method is designed with emphasis on simplicity and interpretability. The resulting deep network is trained and evaluated using a simulated measurement of a rat with a brain tumor, showing large performance gain over the classical low-rank + sparse baseline. Moreover, a quantitative perfusion analysis is performed based on the reconstructed sequence, proving that even training based on a simple pixel-wise error can lead to a significant improvement of the quality of the perfusion maps.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2024 IEEE International Symposium on Biomedical Imaging (ISBI)

ISBN

979-8-3503-1333-8

ISSN

1945-7928

e-ISSN

—

Počet stran výsledku

5

Strana od-do

10635295

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Athens

Datum konání akce

27. 5. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001305705101020