論文の概要: Adaptive convolutional neural networks for k-space data interpolation in fast magnetic resonance imaging

• arxiv url: http://arxiv.org/abs/2006.01385v2
• Date: Tue, 9 Jun 2020 18:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:57:36.729893
• Title: Adaptive convolutional neural networks for k-space data interpolation in fast magnetic resonance imaging
• Title（参考訳）: 高速磁気共鳴イメージングにおけるk空間データ補間のための適応畳み込みニューラルネットワーク
• Authors: Tianming Du, Honggang Zhang, Yuemeng Li, Hee Kwon Song, Yong Fan
• Abstract要約: 既存のディープラーニングベースの画像再構成手法は、一般的に、重量共有畳み込みニューラルネットワークをk空間データに適用する。 我々は、k空間データ(ACNN-k-Space)のための適応畳み込みニューラルネットワークと呼ばれるディープラーニングアルゴリズムを開発する。 提案手法は,k空間データのアンサンプから画像の再構成を効果的に行い,現在の最先端技術よりも画像再構成性能が大幅に向上する。
• 参考スコア（独自算出の注目度）: 4.0703084037031685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning in k-space has demonstrated great potential for image reconstruction from undersampled k-space data in fast magnetic resonance imaging (MRI). However, existing deep learning-based image reconstruction methods typically apply weight-sharing convolutional neural networks (CNNs) to k-space data without taking into consideration the k-space data's spatial frequency properties, leading to ineffective learning of the image reconstruction models. Moreover, complementary information of spatially adjacent slices is often ignored in existing deep learning methods. To overcome such limitations, we develop a deep learning algorithm, referred to as adaptive convolutional neural networks for k-space data interpolation (ACNN-k-Space), which adopts a residual Encoder-Decoder network architecture to interpolate the undersampled k-space data by integrating spatially contiguous slices as multi-channel input, along with k-space data from multiple coils if available. The network is enhanced by self-attention layers to adaptively focus on k-space data at different spatial frequencies and channels. We have evaluated our method on two public datasets and compared it with state-of-the-art existing methods. Ablation studies and experimental results demonstrate that our method effectively reconstructs images from undersampled k-space data and achieves significantly better image reconstruction performance than current state-of-the-art techniques.
• Abstract（参考訳）: k空間の深層学習は、高速磁気共鳴画像(MRI)において、アンダーサンプリングされたk空間データから画像再構成を行う大きな可能性を示している。 しかし、既存のディープラーニングベースの画像再構成手法は、k空間データの空間周波数特性を考慮せずに、k空間データに重み共有畳み込みニューラルネットワーク(CNN)を適用し、画像再構成モデルの非効率な学習をもたらす。 さらに,既存の深層学習手法では,空間的に隣接したスライスを補完する情報は無視されることが多い。 このような制約を克服するため,我々は,k空間データ補間のための適応畳み込みニューラルネットワーク(ACNN-k-Space)と呼ばれる深層学習アルゴリズムを開発し,複数のコイルからのk空間データとともに,空間的に連続したスライスをマルチチャネル入力として統合することにより,アンサンプされたk空間データを補間する残差エンコーダ・デコーダネットワークアーキテクチャを採用した。 ネットワークは自己接続層によって強化され、異なる空間周波数とチャネルでk空間データに適応的に焦点を合わせる。 提案手法を2つの公開データセットで評価し,最新手法と比較した。 アブレーション研究と実験結果から,本手法はアンサンプされたk空間データから画像を効果的に再構成し,現在の最先端技術よりも画像再構成性能を著しく向上することを示した。

関連論文リスト

• Self-Supervised k-Space Regularization for Motion-Resolved Abdominal MRI Using Neural Implicit k-Space Representation [3.829690053412406]
  並列イメージングによる自己整合性(PISCO)の概念を紹介する。 我々は、一貫した近傍関係を強制する自己教師付きk空間正規化を取り入れた。 追加のデータコストがなければ、提案された正規化はシミュレーションデータの暗黙的k空間再構成を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-12T09:31:11Z)
• 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)
• Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI [15.966488917066048]
  高アンサンプドリング肺MRI再建のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。 EN2はk空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いる。 また、複雑なk空間データからリッチ表現を学ぶために複雑な畳み込みを用いる。
  論文  参考訳（メタデータ） (2023-06-21T02:08:27Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• 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)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)
• Joint Frequency and Image Space Learning for MRI Reconstruction and Analysis [7.821429746599738]
  本稿では、周波数空間データから再構成するための汎用的なビルディングブロックとして、周波数と画像の特徴表現を明示的に組み合わせたニューラルネットワーク層が利用できることを示す。 提案した共同学習方式により、周波数空間に固有のアーティファクトの補正と画像空間表現の操作を両立させ、ネットワークのすべての層でコヒーレントな画像構造を再構築することができる。
  論文  参考訳（メタデータ） (2020-07-02T23:54:46Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。