論文の概要: Unsupervised Deep Learning for MR Angiography with Flexible Temporal Resolution

• arxiv url: http://arxiv.org/abs/2003.13096v1
• Date: Sun, 29 Mar 2020 18:08:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:05:03.255650
• Title: Unsupervised Deep Learning for MR Angiography with Flexible Temporal Resolution
• Title（参考訳）: フレキシブルな時間分解能を有するmrアンギオグラフィのための教師なし深層学習
• Authors: Eunju Cha, Hyungjin Chung, Eung Yeop Kim, and Jong Chul Ye
• Abstract要約: Time-resolved MR angiography (tMRA) はダイナミックコントラスト造影MRI (DCEMRI) に広く用いられている。 tMRAでは、k空間データの周辺をサンプル化し、隣接するフレームをマージして1つの時間フレームを構築する。
• 参考スコア（独自算出の注目度）: 35.089924332599445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-resolved MR angiography (tMRA) has been widely used for dynamic contrast enhanced MRI (DCE-MRI) due to its highly accelerated acquisition. In tMRA, the periphery of the k-space data are sparsely sampled so that neighbouring frames can be merged to construct one temporal frame. However, this view-sharing scheme fundamentally limits the temporal resolution, and it is not possible to change the view-sharing number to achieve different spatio-temporal resolution trade-off. Although many deep learning approaches have been recently proposed for MR reconstruction from sparse samples, the existing approaches usually require matched fully sampled k-space reference data for supervised training, which is not suitable for tMRA. This is because high spatio-temporal resolution ground-truth images are not available for tMRA. To address this problem, here we propose a novel unsupervised deep learning using optimal transport driven cycle-consistent generative adversarial network (cycleGAN). In contrast to the conventional cycleGAN with two pairs of generator and discriminator, the new architecture requires just a single pair of generator and discriminator, which makes the training much simpler and improves the performance. Reconstruction results using in vivo tMRA data set confirm that the proposed method can immediately generate high quality reconstruction results at various choices of view-sharing numbers, allowing us to exploit better trade-off between spatial and temporal resolution in time-resolved MR angiography.
• Abstract（参考訳）: 時間分解MRアンギオグラフィー(tMRA)は, 高速取得によるダイナミックコントラスト造影MRI(DCE-MRI)に広く用いられている。 tMRAでは、k空間データの周辺をスパースサンプリングし、隣接するフレームをマージして1つの時間フレームを構築する。 しかし、このビューシェアリング方式は時間分解能を基本的に制限しており、異なる時空間分解能トレードオフを達成するためにビューシェアリング番号を変更することはできない。 スパース標本からのMR再構成には近年,多くの深層学習手法が提案されているが,既存の手法ではtMRAには適さない教師付きトレーニングのために,完全にサンプリングされたk空間参照データにマッチする。 これは、tMRAでは高時空間分解能グラウンドトルース画像が利用できないためである。 そこで本研究では,最適移動駆動型サイクル整合生成逆ネットワーク(cyclegan)を用いた教師なし深層学習を提案する。 2組のジェネレータと判別器を備えた従来のサイクルガンとは対照的に、新しいアーキテクチャでは1組のジェネレータと判別器だけでよいため、トレーニングがずっと簡単になり、パフォーマンスが向上する。 in vivo tmraデータセットを用いた再構成結果から,提案手法は,様々な視点共有数の選択において,即座に高品質な再構成結果を生成することができ,時間分解 mr angiography における空間分解能と時間分解能のトレードオフを良好に活用できることを確認した。

関連論文リスト

• LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [2.3007720628527104]
  The Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method was proposed。 スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。 MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
  論文  参考訳（メタデータ） (2024-11-05T09:51:59Z)
• 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)
• 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)
• K-space and Image Domain Collaborative Energy based Model for Parallel MRI Reconstruction [21.317550364310343]
  磁気共鳴(MR)画像取得時間の減少は、MRI検査をよりアクセスしやすくする可能性がある。 そこで我々は,K空間と画像領域の協調生成モデルを提案し,アンダーサンプル計測からMRデータを包括的に推定する。 実験による最先端技術との比較により, 提案手法は再構成における誤差が少なく, 異なる加速度因子下では安定であることがわかった。
  論文  参考訳（メタデータ） (2022-03-21T07:38:59Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
  太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-29T13:29:18Z)
• 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)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。