論文の概要: An Adaptive Intelligence Algorithm for Undersampled Knee MRI
Reconstruction
- arxiv url: http://arxiv.org/abs/2004.07339v2
- Date: Tue, 27 Oct 2020 15:19:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 04:05:51.564407
- Title: An Adaptive Intelligence Algorithm for Undersampled Knee MRI
Reconstruction
- Title(参考訳): アンダーサンプド膝MRI再建のための適応的知能アルゴリズム
- Authors: Nicola Pezzotti, Sahar Yousefi, Mohamed S. Elmahdy, Jeroen van Gemert,
Christophe Sch\"ulke, Mariya Doneva, Tim Nielsen, Sergey Kastryulin,
Boudewijn P.F. Lelieveldt, Matthias J.P. van Osch, Elwin de Weerdt, Marius
Staring
- Abstract要約: 本稿では,MR 取得を高速化するための適応知能の応用について述べる。
我々は、トレーニングデータから事前の再構成仮定を洗練し、修正するために、ディープニューラルネットワークを採用する。
このネットワークは、Facebook AI ResearchとNYU Langone Healthが主催した2019年の高速MRIチャレンジから、膝のMRIデータセットでトレーニングされ、テストされた。
- 参考スコア(独自算出の注目度): 4.5887393876309375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive intelligence aims at empowering machine learning techniques with the
additional use of domain knowledge. In this work, we present the application of
adaptive intelligence to accelerate MR acquisition. Starting from undersampled
k-space data, an iterative learning-based reconstruction scheme inspired by
compressed sensing theory is used to reconstruct the images. We adopt deep
neural networks to refine and correct prior reconstruction assumptions given
the training data. The network was trained and tested on a knee MRI dataset
from the 2019 fastMRI challenge organized by Facebook AI Research and NYU
Langone Health. All submissions to the challenge were initially ranked based on
similarity with a known groundtruth, after which the top 4 submissions were
evaluated radiologically. Our method was evaluated by the fastMRI organizers on
an independent challenge dataset. It ranked #1, shared #1, and #3 on
respectively the 8x accelerated multi-coil, the 4x multi-coil, and the 4x
single-coil track. This demonstrates the superior performance and wide
applicability of the method.
- Abstract(参考訳): アダプティブインテリジェンス(Adaptive Intelligence)は、ドメイン知識の追加使用による機械学習テクニックの強化を目標とする。
本稿では,MR 取得を高速化するための適応知能の応用について述べる。
圧縮センシング理論に触発された反復学習に基づく再構成手法を用いて画像の再構成を行う。
トレーニングデータに基づいて,事前の再構成仮定を洗練し,修正するために,ディープニューラルネットワークを採用する。
このネットワークは、Facebook AI ResearchとNYU Langone Healthが主催した2019年の高速MRIチャレンジから、膝のMRIデータセットでトレーニングされ、テストされた。
課題に対する全ての提出は、最初は既知の根拠と類似性に基づいてランク付けされ、その後、トップ4の提出が放射線学的に評価された。
提案手法は,独立チャレンジデータセットを用いた高速MRIオーガナイザにより評価された。
第1位、第1位、第3位はそれぞれ8倍加速マルチコイル、第4xマルチコイル、第4xシングルコイルトラックである。
これにより,本手法の優れた性能と適用性を示す。
関連論文リスト
- MindFormer: A Transformer Architecture for Multi-Subject Brain Decoding via fMRI [50.55024115943266]
我々は、fMRI条件の特徴ベクトルを生成するためにMindFormerと呼ばれる新しいトランスフォーマーアーキテクチャを導入する。
MindFormerは,1)fMRI信号から意味論的に意味のある特徴を抽出するIP-Adapterに基づく新しいトレーニング戦略,2)fMRI信号の個人差を効果的に捉える主観的トークンと線形層である。
論文 参考訳(メタデータ) (2024-05-28T00:36:25Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Learning Task-Specific Strategies for Accelerated MRI [14.937601057648111]
我々は、下流タスクにおけるパフォーマンスのサブサンプリング、再構築、予測戦略を共同で最適化するための統合協調設計フレームワークとして、TACKLEを提案する。
本研究では,まず,一般的な事前学習タスクに対してバックボーンアーキテクチャを訓練し,次に予測ヘッドを用いて下流タスクに対して微調整を行う訓練手順を開発する。
複数の公開MRIデータセットに対する実験結果から,TACKLEは従来のCS-MRI法よりも様々なタスクにおいて性能が向上していることが示された。
論文 参考訳(メタデータ) (2023-04-25T01:12:47Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - Self-Supervised Learning for MRI Reconstruction with a Parallel Network
Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。
本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-26T06:09:56Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳(メタデータ) (2021-08-03T08:52:06Z) - 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) - Neural Architecture Search for Compressed Sensing Magnetic Resonance
Image Reconstruction [36.636219616998225]
そこで我々は,手作業ではなくNASによるMR画像再構成問題に対して,新しい,効率的なネットワークを提案する。
実験の結果,検索したネットワークは,従来の最先端手法と比較して,より良好な再構成結果が得られることがわかった。
提案手法は, MR再構成問題に対するコストと再構成性能のトレードオフを, 高い一般化性で向上させることができる。
論文 参考訳(メタデータ) (2020-02-22T04:40:16Z)
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。