메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
이지은 (서울대학교) Joon Yul Choi (Seoul National University) Dongmyung Shin (Seoul National University) 김응엽 (가천대학교) 오세홍 (한국외국어대학교) 이종호 (서울대학교)
저널정보
대한자기공명의과학회 Investigative Magnetic Resonance Imaging Investigative Magnetic Resonance Imaging 제24권 제4호
발행연도
2020.1
수록면
207 - 213 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Purpose: To understand the effects of datasets with various parameters on pretrained network performance, the generalization capacity of the artificial neural network for myelin water imaging (ANN-MWI) is explored by testing datasets with various scan protocols (i.e., resolution and refocusing RF pulse shape) and types of disorders (i.e., neuromyelitis optica and edema). Materials and Methods: ANN-MWI was trained to generate a T2 distribution, from which the myelin water fraction value was measured. The training and test datasets were acquired from healthy controls and multiple sclerosis patients using a multiecho gradient and spin-echo sequence with the same scan protocols. To test the generalization capacity of ANN-MWI, datasets with different settings were utilized. The datasets were acquired or generated with different resolutions, refocusing pulse shape, and types of disorders. For all datasets, the evaluation was performed in a white matter mask by calculating the normalized root-mean-squared error (NRMSE) between the results from the conventional method and ANN-MWI. Additionally, for the patient datasets, the NRMSE was calculated in each lesion mask. Results: The results of ANN-MWI showed high reliability in generating myelin water fraction maps from the datasets with different resolutions. However, the increased errors were reported for the datasets with different refocusing pulse shapes and disorder types. Specifically, the region of lesions in edema patients reported high NRMSEs. These increased errors indicate the dependency of ANN-MWI on refocusing pulse flip angles and T2 characteristics. Conclusion: This study proposes information about the generalization accuracy of a trained network when applying deep learning to processing myelin water imaging.
#Artificial neural network #Myelin water imaging #T2 relaxation #Deep learning #Generalization capacity

목차

등록된 정보가 없습니다.

참고문헌 (36)

참고문헌 신청
Yoon J / 2018 / Quantitative susceptibility mapping using deep neural network : QSMnet / Neuroimage 179:199~206 google schola Cohen O / 2018 / MR fingerprinting Deep RecOnstruction NEtwork(DRONE) / Magn Reson Med 80:885~894 google schola Kwon K / 2017 / A parallel MR imaging method using multilayer perceptron / Med Phys 44:6209~6224 google schola 이두희 / 2019 / Deep Learning in MR Image Processing / Investigative Magnetic Resonance Imaging 23(2):81~99 google schola Ben-David S / 2006 / Analysis of representations for domain adaptation / Advances in Neural Information Processing Systems (NIPS) :137~144 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0