論文の概要: Co-VeGAN: Complex-Valued Generative Adversarial Network for Compressive
Sensing MR Image Reconstruction
- arxiv url: http://arxiv.org/abs/2002.10523v3
- Date: Thu, 24 Sep 2020 15:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 03:47:50.856899
- Title: Co-VeGAN: Complex-Valued Generative Adversarial Network for Compressive
Sensing MR Image Reconstruction
- Title（参考訳）: 圧縮センシングmr画像再構成のためのcomplex-valued generative adversarial network
- Authors: Bhavya Vasudeva, Puneesh Deora, Saumik Bhattacharya, Pyari Mohan
Pradhan
- Abstract要約: 本稿では,複素値入力を処理するための,複素値対向ネットワーク(Co-VeGAN)に基づく新しいフレームワークを提案する。
我々のモデルは複雑な値入力を処理でき、CS-MR画像の高品質な再構成を可能にする。
- 参考スコア（独自算出の注目度）: 8.856953486775716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compressive sensing (CS) is widely used to reduce the acquisition time of
magnetic resonance imaging (MRI). Although state-of-the-art deep learning based
methods have been able to obtain fast, high-quality reconstruction of CS-MR
images, their main drawback is that they treat complex-valued MRI data as
real-valued entities. Most methods either extract the magnitude from the
complex-valued entities or concatenate them as two real-valued channels. In
both the cases, the phase content, which links the real and imaginary parts of
the complex-valued entities, is discarded. In order to address the fundamental
problem of real-valued deep networks, i.e. their inability to process
complex-valued data, we propose a novel framework based on a complex-valued
generative adversarial network (Co-VeGAN). Our model can process complex-valued
input, which enables it to perform high-quality reconstruction of the CS-MR
images. Further, considering that phase is a crucial component of
complex-valued entities, we propose a novel complex-valued activation function,
which is sensitive to the phase of the input. Extensive evaluation of the
proposed approach on different datasets using various sampling masks
demonstrates that the proposed model significantly outperforms the existing
CS-MRI reconstruction techniques in terms of peak signal-to-noise ratio as well
as structural similarity index. Further, it uses significantly fewer trainable
parameters to do so, as compared to the real-valued deep learning based
methods.
- Abstract（参考訳）: 圧縮センシング(cs)は磁気共鳴イメージング(mri)の取得時間を短縮するために広く使われている。
最先端のディープラーニングに基づく手法は、CS-MR画像の高速かつ高品質な再構成を実現することができたが、その主な欠点は、複雑な評価されたMRIデータを実値のエンティティとして扱うことである。
ほとんどの方法は、複素値の実体から大きさを抽出するか、2つの実値のチャネルとして結合する。
いずれの場合も、複素値実体の実部と虚部をリンクする位相内容は破棄される。
本稿では,実値深層ネットワークの基本問題,すなわち複素値データを処理することができない問題に対処するために,複素値生成逆ネットワーク(co-vegan)に基づく新しい枠組みを提案する。
我々のモデルは複雑な入力を処理でき、CS-MR画像の高品質な再構成を可能にする。
さらに、その位相が複素値実体の重要な構成要素であることを考えると、入力の位相に敏感な新しい複素値活性化関数を提案する。
種々のサンプリングマスクを用いて提案手法の大規模評価を行った結果,提案手法はピーク信号-雑音比および構造的類似度指数において,既存のCS-MRI再構成手法よりも大幅に優れていた。
さらに、実際の値を持つディープラーニングベースの方法に比べて、トレーニング可能なパラメータが大幅に少ない。
関連論文リスト
- TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [7.281993256973667]
本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。
Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。
実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-11T06:31:56Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - HUMUS-Net: Hybrid unrolled multi-scale network architecture for
accelerated MRI reconstruction [38.0542877099235]
HUMUS-Netは、暗黙のバイアスと畳み込みの効率を、無ロールでマルチスケールのネットワークにおけるTransformerブロックのパワーと組み合わせたハイブリッドアーキテクチャである。
我々のネットワークは、最も広く公開されているMRIデータセットである高速MRIデータセット上で、新しい最先端技術を確立する。
論文 参考訳（メタデータ） (2022-03-15T19:26:29Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳（メタデータ） (2021-05-15T02:01:21Z) - 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) - Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI
Reconstruction [9.55767753037496]
本研究では、2チャネル実数値ネットワークの代わりに画像再構成のための終端複素値畳み込みニューラルネットワークについて検討する。
複雑な値の畳み込みを持つ複素値CNNは、トレーニング可能なパラメータの数が同じ実値の畳み込みよりも優れた再構成を提供することがわかった。
論文 参考訳（メタデータ） (2020-04-03T19:00:23Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。