論文の概要: Deep Attentive Wasserstein Generative Adversarial Networks for MRI
Reconstruction with Recurrent Context-Awareness
- arxiv url: http://arxiv.org/abs/2006.12915v1
- Date: Tue, 23 Jun 2020 11:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 23:47:34.934756
- Title: Deep Attentive Wasserstein Generative Adversarial Networks for MRI
Reconstruction with Recurrent Context-Awareness
- Title（参考訳）: コンテクスト認識を伴うMRI画像再構成のための深部減衰ワッサースタイン生成系
- Authors: Yifeng Guo, Chengjia Wang, Heye Zhang and Guang Yang
- Abstract要約: 圧縮センシングベースMRI(CS-MRI)の再生性能は,その遅い反復法とノイズによるアーチファクトの影響を受けている。
本稿では,WGAN(Wasserstein Generative Adversarial Networks)とリカレントニューラルネットワーク(Recurrent Neural Networks)を結合することにより,逐次MRIスライス間の関係をフル活用する,深層学習に基づくCS-MRI再構成手法を提案する。
- 参考スコア（独自算出の注目度）: 5.474237208776356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of traditional compressive sensing-based MRI (CS-MRI)
reconstruction is affected by its slow iterative procedure and noise-induced
artefacts. Although many deep learning-based CS-MRI methods have been proposed
to mitigate the problems of traditional methods, they have not been able to
achieve more robust results at higher acceleration factors. Most of the deep
learning-based CS-MRI methods still can not fully mine the information from the
k-space, which leads to unsatisfactory results in the MRI reconstruction. In
this study, we propose a new deep learning-based CS-MRI reconstruction method
to fully utilise the relationship among sequential MRI slices by coupling
Wasserstein Generative Adversarial Networks (WGAN) with Recurrent Neural
Networks. Further development of an attentive unit enables our model to
reconstruct more accurate anatomical structures for the MRI data. By
experimenting on different MRI datasets, we have demonstrated that our method
can not only achieve better results compared to the state-of-the-arts but can
also effectively reduce residual noise generated during the reconstruction
process.
- Abstract（参考訳）: 従来の圧縮型イメージベースMRI (CS-MRI) の再生性能は, その遅い反復法とノイズによるアーチファクトの影響を受けている。
多くの深層学習に基づくCS-MRI法が従来の手法の問題を緩和するために提案されているが、より高い加速係数でより堅牢な結果が得られていない。
深層学習に基づくCS-MRI法の多くは、まだk空間から情報を完全にマイニングすることができず、MRI再建に不満足な結果をもたらす。
本研究では,WGAN(Wasserstein Generative Adversarial Networks)とリカレントニューラルネットワーク(Recurrent Neural Networks)を結合することにより,逐次MRIスライス間の関係をフル活用する,深層学習に基づくCS-MRI再構成手法を提案する。
注意ユニットのさらなる開発により、MRIデータのより正確な解剖学的構造を再構築することができる。
異なるmriデータセットを用いた実験により,本手法は最先端に比べて良好な結果が得られるだけでなく,復元過程で発生する残留ノイズを効果的に低減できることを示した。
関連論文リスト
- A Brief Overview of Optimization-Based Algorithms for MRI Reconstruction Using Deep Learning [0.0]
ディープラーニングアルゴリズムの統合は、MRI再構成プロセスを最適化する大きな可能性を秘めている。
この領域における研究の活発化にもかかわらず、MRI再構成に適した最適化に基づくディープラーニングモデルに関する総合的な調査はまだ行われていない。
本稿では,MRI再構成に特化して設計されたディープラーニングにおいて,最新の最適化アルゴリズムを徹底的に検討することにより,このギャップに対処する。
論文 参考訳（メタデータ） (2024-06-03T21:52:50Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - 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) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳（メタデータ） (2022-06-15T03:42:18Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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) - Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised
Deep Learning [0.487576911714538]
自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。
その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。
後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
論文 参考訳（メタデータ） (2021-05-10T17:36:27Z) - 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) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳（メタデータ） (2021-03-13T09:58:32Z) - High-Fidelity Accelerated MRI Reconstruction by Scan-Specific
Fine-Tuning of Physics-Based Neural Networks [3.1498833540989413]
高分解能MRIでは、長時間のスキャンが依然として課題である。
ディープラーニングは、データから直接学習されるデータ駆動型正規化器を提供することによって、MRIの再構築を加速する強力な手段として登場した。
本研究では,トランスファーラーニング手法を用いて,これらレギュレータを自己超越的手法を用いて新しい被験者に微調整する手法を提案する。
論文 参考訳（メタデータ） (2020-05-12T05:10:10Z)
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。