Fugu-MT 論文翻訳(概要): MRI Banding Removal via Adversarial Training

論文の概要: MRI Banding Removal via Adversarial Training

arxiv url: http://arxiv.org/abs/2001.08699v3
Date: Thu, 8 Oct 2020 15:54:45 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 10:02:27.385406
Title: MRI Banding Removal via Adversarial Training
Title（参考訳）: 逆行性訓練によるMRIバンド除去
Authors: Aaron Defazio and Tullie Murrell and Michael P. Recht
Abstract要約: 本稿では,人間のアノテーションを必要とせず,バンドリング構造を罰する対角的損失を用いることを提案する。再建時に余分な計算や後処理を必要とせず,バンドリングの出現を著しく低減する。
参考スコア（独自算出の注目度）: 15.557796669618169
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: MRI images reconstructed from sub-sampled Cartesian data using deep learning techniques often show a characteristic banding (sometimes described as streaking), which is particularly strong in low signal-to-noise regions of the reconstructed image. In this work, we propose the use of an adversarial loss that penalizes banding structures without requiring any human annotation. Our technique greatly reduces the appearance of banding, without requiring any additional computation or post-processing at reconstruction time. We report the results of a blind comparison against a strong baseline by a group of expert evaluators (board-certified radiologists), where our approach is ranked superior at banding removal with no statistically significant loss of detail.
Abstract（参考訳）: 深層学習技術を用いたサブサンプリングカルテデータから再構成したMRI画像は、しばしば特徴的バンドリング(ストリーキングと呼ばれることもある)を示すが、これは再構成画像の低信号-雑音領域で特に強い。本稿では,人間のアノテーションを必要とせず,包帯構造をペナルティ化する敵的損失の利用を提案する。再建時に余分な計算や後処理を必要とせず,バンドリングの出現を大幅に低減する。本研究は, バンド除去法において, 統計的に有意な詳細を欠くことなく, 精度評価を行う専門家グループによる強いベースラインに対する盲点比較の結果を報告する。

関連論文リスト

Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文参考訳（メタデータ） (2023-12-01T16:00:16Z)
MRI Field-transfer Reconstruction with Limited Data: Regularization by Neural Style Transfer [1.755209318470883]
Denoising (RED) による正規化は、画像再構成の先行として Denoiser を組み込む一般的なパイプラインである。本稿では,ニューラル・スタイル・トランスファー(RNST)法による正規化手法を提案する。
論文参考訳（メタデータ） (2023-08-21T18:26:35Z)
K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文参考訳（メタデータ） (2023-07-10T01:26:48Z)
Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文参考訳（メタデータ） (2023-02-18T06:11:49Z)
Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文参考訳（メタデータ） (2021-11-18T03:06:25Z)
Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文参考訳（メタデータ） (2021-10-09T16:09:27Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
Reconstruction and Segmentation of Parallel MR Data using Image Domain DEEP-SLR [25.077510176642807]
我々は、アンダーサンプリングされたPMRIデータのキャリブレーションレスリカバリのための画像ドメインディープネットワークを提案する。分割誤りを最小限に抑えるため,提案手法を分割ネットワークと組み合わせ,エンドツーエンドで学習した。分割誤差の低減に加えて,オーバーフィッティングの低減による再構成性能の向上も実現している。
論文参考訳（メタデータ） (2021-02-01T21:15:59Z)
Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
論文参考訳（メタデータ） (2020-12-28T08:24:04Z)
ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-03-04T08:36:27Z)
Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
論文参考訳（メタデータ） (2020-01-13T19:01:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。