ترجمه فارسی مقاله بهینه سازی ناهمگنی میدان انتقال طراحی انتقال RF موازی در MRI 7T با استفاده از یادگیری عمیق

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning
عنوان مقاله به فارسی بهینه سازی ناهمگنی میدان انتقال طراحی انتقال RF موازی در MRI 7T با استفاده از یادگیری عمیق
نویسندگان Zhengyi Lu, Hao Liang, Xiao Wang, Xinqiang Yan, Yuankai Huo
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Ultrahigh field (UHF) Magnetic Resonance Imaging (MRI) provides a higher signal-to-noise ratio and, thereby, higher spatial resolution. However, UHF MRI introduces challenges such as transmit radiofrequency (RF) field (B1+) inhomogeneities, leading to uneven flip angles and image intensity anomalies. These issues can significantly degrade imaging quality and its medical applications. This study addresses B1+ field homogeneity through a novel deep learning-based strategy. Traditional methods like Magnitude Least Squares (MLS) optimization have been effective but are time-consuming and dependent on the patient's presence. Recent machine learning approaches, such as RF Shim Prediction by Iteratively Projected Ridge Regression and deep learning frameworks, have shown promise but face limitations like extensive training times and oversimplified architectures. We propose a two-step deep learning strategy. First, we obtain the desired reference RF shimming weights from multi-channel B1+ fields using random-initialized Adaptive Moment Estimation. Then, we employ Residual Networks (ResNets) to train a model that maps B1+ fields to target RF shimming outputs. Our approach does not rely on pre-calculated reference optimizations for the testing process and efficiently learns residual functions. Comparative studies with traditional MLS optimization demonstrate our method's advantages in terms of speed and accuracy. The proposed strategy achieves a faster and more efficient RF shimming design, significantly improving imaging quality at UHF. This advancement holds potential for broader applications in medical imaging and diagnostics.

چکیده به فارسی (ترجمه ماشینی)

تصویربرداری رزونانس مغناطیسی میدان Ultrahigh (UHF) (MRI) نسبت سیگنال به نویز بالاتر و از این طریق وضوح مکانی بالاتر را فراهم می کند.با این حال ، UHF MRI چالش هایی از قبیل زمینه انتقال رادیو (RF) (B1+) را ناهمگن می کند و منجر به زاویه های تلنگر ناهموار و ناهنجاری های شدت تصویر می شود.این مسائل می تواند کیفیت تصویربرداری و کاربردهای پزشکی آن را به میزان قابل توجهی تخریب کند.این مطالعه از طریق یک استراتژی جدید مبتنی بر یادگیری عمیق ، همگن میدانی B1+ را بررسی می کند.روشهای سنتی مانند بهینه سازی حداقل مربعات (MLS) بهینه سازی مؤثر بوده اما وقت گیر و وابسته به حضور بیمار هستند.رویکردهای اخیر یادگیری ماشین ، مانند پیش بینی RF Shim توسط رگرسیون خط الراس پیش بینی شده و چارچوب های یادگیری عمیق ، نوید را نشان داده اند اما با محدودیت هایی مانند زمان آموزش گسترده و معماری های گسترده روبرو هستند.ما یک استراتژی یادگیری عمیق دو مرحله ای پیشنهاد می کنیم.ابتدا ، ما با استفاده از تخمین لحظه تطبیقی ​​تصادفی ، وزن لرزش RF مرجع مورد نظر را از زمینه های چند کانال B1+ به دست می آوریم.سپس ، ما از شبکه های باقیمانده (RESNETS) استفاده می کنیم تا مدلی را آموزش دهیم که زمینه های B1+ را برای هدف قرار دادن خروجی های درخشش RF قرار دهد.رویکرد ما به بهینه سازی مرجع از پیش محاسبه شده برای فرآیند آزمایش متکی نیست و عملکردهای باقیمانده را به طور مؤثر یاد می گیرد.مطالعات تطبیقی ​​با بهینه سازی MLS سنتی مزایای روش ما را از نظر سرعت و دقت نشان می دهد.استراتژی پیشنهادی به یک طراحی سریعتر و کارآمدتر RF دست می یابد ، و کیفیت تصویربرداری را به طور قابل توجهی در UHF بهبود می بخشد.این پیشرفت پتانسیل کاربردهای گسترده تر در تصویربرداری پزشکی و تشخیص را دارد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.