論文の概要: Training Variational Networks with Multi-Domain Simulations:
Speed-of-Sound Image Reconstruction
- arxiv url: http://arxiv.org/abs/2006.14395v1
- Date: Thu, 25 Jun 2020 13:32:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 04:40:35.769373
- Title: Training Variational Networks with Multi-Domain Simulations:
Speed-of-Sound Image Reconstruction
- Title（参考訳）: マルチドメインシミュレーションによる変分ネットワークの訓練:音速画像再構成
- Authors: Melanie Bernhardt, Valery Vishnevskiy, Richard Rau, Orcun Goksel
- Abstract要約: 変分ネットワーク(VN)は画像再構成における逆問題を最適化するための学習に基づく潜在的アプローチであることが示されている。
本稿では,従来のトランスデューサと単側組織アクセスを用いたパルスエコーSoS画像再構成問題に対するVNソリューションを初めて提示する。
提案手法とマルチソースドメイントレーニングを組み合わせることで,VNのドメイン適応能力を大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 5.47832435255656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Speed-of-sound has been shown as a potential biomarker for breast cancer
imaging, successfully differentiating malignant tumors from benign ones.
Speed-of-sound images can be reconstructed from time-of-flight measurements
from ultrasound images acquired using conventional handheld ultrasound
transducers. Variational Networks (VN) have recently been shown to be a
potential learning-based approach for optimizing inverse problems in image
reconstruction. Despite earlier promising results, these methods however do not
generalize well from simulated to acquired data, due to the domain shift. In
this work, we present for the first time a VN solution for a pulse-echo SoS
image reconstruction problem using diverging waves with conventional
transducers and single-sided tissue access. This is made possible by
incorporating simulations with varying complexity into training. We use loop
unrolling of gradient descent with momentum, with an exponentially weighted
loss of outputs at each unrolled iteration in order to regularize training. We
learn norms as activation functions regularized to have smooth forms for
robustness to input distribution variations. We evaluate reconstruction quality
on ray-based and full-wave simulations as well as on tissue-mimicking phantom
data, in comparison to a classical iterative (L-BFGS) optimization of this
image reconstruction problem. We show that the proposed regularization
techniques combined with multi-source domain training yield substantial
improvements in the domain adaptation capabilities of VN, reducing median RMSE
by 54% on a wave-based simulation dataset compared to the baseline VN. We also
show that on data acquired from a tissue-mimicking breast phantom the proposed
VN provides improved reconstruction in 12 milliseconds.
- Abstract（参考訳）: speed-of-soundは乳がん画像のバイオマーカーとなり、悪性腫瘍と良性腫瘍との鑑別に成功している。
従来のハンドヘルド超音波トランスデューサを用いて取得した超音波画像から飛行時間計測から音速画像の再構成を行うことができる。
近年,画像再構成における逆問題に対する学習ベースアプローチとして変分ネットワーク(VN)が提案されている。
しかし、初期の有望な結果にもかかわらず、これらの手法はドメインシフトのため、シミュレーションデータから取得データへの一般化が不十分である。
本研究では,従来のトランスデューサを用いた発振波と単側組織アクセスを用いたパルスエコーSoS画像再構成問題のVN解を初めて提示する。
これはトレーニングに複雑なシミュレーションを組み込むことによって実現されている。
運動量による勾配降下のループアンロールを各アンロールイテレーションで指数関数的に重み付けされた出力損失を用いてトレーニングを正則化する。
我々は、入力分布の変動に頑健なスムーズな形式を持つように正規化された活性化関数としてノルムを学ぶ。
この画像再構成問題の古典的イテレーティブ (L-BFGS) 最適化と比較し, レイベースおよびフルウェーブシミュレーションおよび組織模倣ファントムデータに基づく再構成品質の評価を行った。
提案手法とマルチソースドメイントレーニングを組み合わせることで、VNのドメイン適応能力を大幅に向上し、ベースラインのVNと比較して、波動シミュレーションデータセット上でのRMSEの中央値を54%削減できることを示す。
また, 組織ミミック乳房ファントムから得られたデータから, 提案したVNが12ミリ秒で再建できることを示した。
関連論文リスト
- On the Foundation Model for Cardiac MRI Reconstruction [6.284878525302227]
本稿では,適応アンロール,チャネルシフト,パターンとコントラスト-プロンプト-UNetを用いた基礎モデルを提案する。
PCP-UNetは画像コントラストとサンプリングパターンプロンプトを備える。
論文 参考訳（メタデータ） (2024-11-15T18:15:56Z) - DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。
提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-04-19T09:52:32Z) - Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models [0.0]
我々は多コイル高アンサンプドスパイラルMRIのための生成拡散モデルに基づく再構成アルゴリズムを作成する。
超高速スキャン時間(2D画像では0.02秒)で再構成した画像に高品質(構造的類似度 > 0.87)を示す。
論文 参考訳（メタデータ） (2024-04-18T17:40:23Z) - 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) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳（メタデータ） (2022-10-25T08:34:29Z) - 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) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - 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) - 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) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - CNN-Based Image Reconstruction Method for Ultrafast Ultrasound Imaging [9.659642285903418]
超高速超音波(US)は、フルビューフレームを1kHz以上で取得できるバイオメディカルイメージングに革命をもたらした。
強い回折アーチファクトに悩まされ、主に格子状葉、サイドローブ、エッジウェーブによって引き起こされる。
本稿では,2段階の畳み込みニューラルネットワーク(CNN)を用いた画像再構成手法を提案する。
論文 参考訳（メタデータ） (2020-08-28T17:15:37Z)
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。