論文の概要: Game of Learning Bloch Equation Simulations for MR Fingerprinting
- arxiv url: http://arxiv.org/abs/2004.02270v1
- Date: Sun, 5 Apr 2020 18:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 12:36:18.136891
- Title: Game of Learning Bloch Equation Simulations for MR Fingerprinting
- Title(参考訳): MRフィンガープリントのためのブロック方程式の学習ゲーム
- Authors: Mingrui Yang, Yun Jiang, Dan Ma, Bhairav B. Mehta, Mark A. Griswold
- Abstract要約: 本研究では,教師なしディープラーニングモデル生成対向ネットワーク(GAN)に基づくMRフィンガープリント(MRF)問題に対して,MRフィンガープリントを効率よく生成する手法を提案する。
GAN-MRFモデルは、特定のMRFシーケンスでブロッホ方程式からシミュレートされた異なるMRF指紋を用いて訓練、検証、および試験を行う。
GAN-MRFモデルの検証と試験曲線は、高いバイアスや高い分散の問題の証拠を示さない。
- 参考スコア(独自算出の注目度): 1.7633962366964155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: This work proposes a novel approach to efficiently generate MR
fingerprints for MR fingerprinting (MRF) problems based on the unsupervised
deep learning model generative adversarial networks (GAN). Methods: The GAN
model is adopted and modified for better convergence and performance, resulting
in an MRF specific model named GAN-MRF. The GAN-MRF model is trained,
validated, and tested using different MRF fingerprints simulated from the Bloch
equations with certain MRF sequence. The performance and robustness of the
model are further tested by using in vivo data collected on a 3 Tesla scanner
from a healthy volunteer together with MRF dictionaries with different sizes.
T1, T2 maps are generated and compared quantitatively. Results: The validation
and testing curves for the GAN-MRF model show no evidence of high bias or high
variance problems. The sample MRF fingerprints generated from the trained
GAN-MRF model agree well with the benchmark fingerprints simulated from the
Bloch equations. The in vivo T1, T2 maps generated from the GAN-MRF
fingerprints are in good agreement with those generated from the Bloch
simulated fingerprints, showing good performance and robustness of the proposed
GAN-MRF model. Moreover, the MRF dictionary generation time is reduced from
hours to sub-second for the testing dictionary. Conclusion: The GAN-MRF model
enables a fast and accurate generation of the MRF fingerprints. It
significantly reduces the MRF dictionary generation process and opens the door
for real-time applications and sequence optimization problems.
- Abstract(参考訳): 目的: 本研究は, 教師なし深層学習モデル生成敵ネットワーク(GAN)に基づくMRフィンガープリント(MRF)問題に対して, MRフィンガープリントを効率的に生成する手法を提案する。
方法: GANモデルは、より収束と性能を向上させるために採用・修正され、その結果、GAN-MRFと呼ばれるMRF固有のモデルとなる。
GAN-MRFモデルは、特定のMRFシーケンスでブロッホ方程式からシミュレートされた異なるMRF指紋を用いて訓練、検証、および試験を行う。
モデルの性能と堅牢性は、健康なボランティアから収集された3つのTeslaスキャナーで収集されたインビボデータと、大きさの異なるMRF辞書を用いてさらに検証される。
T1,T2マップが生成され、定量的に比較される。
結果: GAN-MRFモデルに対する検証および試験曲線は,高いバイアスや高い分散問題を示す証拠を示さない。
訓練されたGAN-MRFモデルから生成されたサンプルMRF指紋は、ブロッホ方程式からシミュレーションされたベンチマーク指紋とよく一致している。
gan-mrf指紋から生成されたin vivo t1, t2マップは、ブロッホシミュレーション指紋から生成された地図とよく一致しており、提案されたgan-mrfモデルの優れた性能と堅牢性を示している。
さらに、試験辞書のMSF辞書生成時間を数時間から秒以下に短縮する。
結論: GAN-MRFモデルはMDF指紋の高速かつ正確な生成を可能にする。
MRF辞書生成プロセスを大幅に削減し、リアルタイムアプリケーションやシーケンス最適化問題への扉を開く。
関連論文リスト
- Discrete Diffusion Modeling by Estimating the Ratios of the Data
Distribution [76.33705947080871]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳(メタデータ) (2023-10-25T17:59:12Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Adversarial Training of Denoising Diffusion Model Using Dual
Discriminators for High-Fidelity Multi-Speaker TTS [0.0]
拡散モデルは確率論的アプローチにより高品質なデータを生成することができる。
これは、多くの時間ステップを必要とするため、生成速度が遅くなるという欠点に悩まされる。
本稿では、逆過程の分布を学習する拡散判別器と、生成されたデータの分布を学習するスペクトログラム判別器の2つの識別器を用いた音声合成モデルを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:22:04Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - An Efficient Membership Inference Attack for the Diffusion Model by
Proximal Initialization [58.88327181933151]
本稿では,効率的なクエリベースのメンバシップ推論攻撃(MIA)を提案する。
実験結果から,提案手法は離散時間と連続時間の両方の拡散モデル上で,2つのクエリで競合性能を達成できることが示唆された。
我々の知る限り、本研究はテキスト音声タスクにおけるMIAへの拡散モデルのロバスト性について初めて研究するものである。
論文 参考訳(メタデータ) (2023-05-26T16:38:48Z) - Federated Radio Frequency Fingerprinting with Model Transfer and
Adaptation [26.646820912136416]
本稿では,モデル転送と適応という新しい手法を用いたRFフィンガープリントアルゴリズムを提案する。
提案アルゴリズムは、RFフィンガープリントに畳み込み層間の密接な接続を導入し、学習精度を高め、モデルの複雑さを低減する。
現状のRFフィンガープリンティングアルゴリズムと比較して,提案アルゴリズムは最大15%の性能向上で予測性能を大幅に向上させることができる。
論文 参考訳(メタデータ) (2023-02-22T14:55:30Z) - GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins [82.71367011801242]
Internet of Things(IoT)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集する。
高忠実度(HF)応答は、関心の系を正確に記述するが、コストがかかる。
低忠実性(LF)応答は計算コストが低いが、要求される精度を満たせなかった。
デジタル双生児(GAN-MDF)におけるMDFの新たな生成的対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-24T06:40:35Z) - An MRF-UNet Product of Experts for Image Segmentation [1.7897459398362972]
Markovのランダムフィールド(MRF)は、オーバーフィットしやすいラベルよりもシンプルにエンコードします。
UNet と MRF の分布積を計算することにより、両方の戦略を融合させることを提案する。
MRF-UNetはバックプロパゲーションによって共同で訓練される。
論文 参考訳(メタデータ) (2021-04-12T14:25:32Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Compressive MR Fingerprinting reconstruction with Neural Proximal
Gradient iterations [27.259916894535404]
ProxNetは学習した近位勾配降下フレームワークで、前方取得とBloch動的モデルを反復学習機構に組み込む。
我々の数値実験により、ProxNetはより優れた定量的推測精度、はるかに少ないストレージ要求、そして最近のディープラーニングMRFベースラインに匹敵するランタイムを実現することができることが示された。
論文 参考訳(メタデータ) (2020-06-27T03:52:22Z) - Deep Gaussian Markov Random Fields [17.31058900857327]
GMRFと畳み込みニューラルネットワーク(CNN)の正式な接続を確立する。
共通GMRFは、データから潜伏変数への逆写像が1層線形CNNによって与えられる生成モデルの特別な場合である。
本稿では,オートディフや変分推論などの確立したツールが,深部GMRFの簡易かつ効率的な推論と学習にどのように利用できるかを述べる。
論文 参考訳(メタデータ) (2020-02-18T10:06:39Z)
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。