論文の概要: 3D FLAT: Feasible Learned Acquisition Trajectories for Accelerated MRI
- arxiv url: http://arxiv.org/abs/2008.04808v1
- Date: Tue, 11 Aug 2020 16:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 11:13:00.347344
- Title: 3D FLAT: Feasible Learned Acquisition Trajectories for Accelerated MRI
- Title（参考訳）: 3D FLAT : 加速MRIのための学習的獲得軌跡
- Authors: Jonathan Alush-Aben, Linor Ackerman-Schraier, Tomer Weiss, Sanketh
Vedula, Ortal Senouf and Alex Bronstein
- Abstract要約: 本稿では,MRIにおける3次元非カルト加速軌道の新たな設計プロトコルである3D FLATを紹介する。
提案手法は,3次元k空間全体を利用して,物理的に実現可能な獲得軌道を再現法で同時に学習する。
- 参考スコア（独自算出の注目度）: 1.5640063295947522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging (MRI) has long been considered to be among the
gold standards of today's diagnostic imaging. The most significant drawback of
MRI is long acquisition times, prohibiting its use in standard practice for
some applications. Compressed sensing (CS) proposes to subsample the k-space
(the Fourier domain dual to the physical space of spatial coordinates) leading
to significantly accelerated acquisition. However, the benefit of compressed
sensing has not been fully exploited; most of the sampling densities obtained
through CS do not produce a trajectory that obeys the stringent constraints of
the MRI machine imposed in practice. Inspired by recent success of deep
learning based approaches for image reconstruction and ideas from computational
imaging on learning-based design of imaging systems, we introduce 3D FLAT, a
novel protocol for data-driven design of 3D non-Cartesian accelerated
trajectories in MRI. Our proposal leverages the entire 3D k-space to
simultaneously learn a physically feasible acquisition trajectory with a
reconstruction method. Experimental results, performed as a proof-of-concept,
suggest that 3D FLAT achieves higher image quality for a given readout time
compared to standard trajectories such as radial, stack-of-stars, or 2D learned
trajectories (trajectories that evolve only in the 2D plane while fully
sampling along the third dimension). Furthermore, we demonstrate evidence
supporting the significant benefit of performing MRI acquisitions using
non-Cartesian 3D trajectories over 2D non-Cartesian trajectories acquired
slice-wise.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、長い間、今日の診断画像のゴールド標準の一つと考えられてきた。
MRIの最も大きな欠点は、長い買収時間であり、いくつかのアプリケーションで標準での使用を禁じている。
圧縮センシング(CS)は、k-空間(空間座標の物理空間に双対するフーリエ領域)をサブサンプリングすることを提案した。
しかし、圧縮センシングの利点は十分に活用されていない。CSで得られたサンプリング密度の大部分は、実際に課されたMRIマシンの拘束的制約に従う軌跡を作らない。
近年のディープラーニングによる画像再構成手法の成功と,画像システムの学習に基づく設計に基づく計算画像のアイデアに触発されて,MRIにおける3次元非モンテカルロ加速軌道のデータ駆動設計のための新しいプロトコルである3D FLATを紹介した。
提案手法は,3次元k空間全体を利用して,物理的に実現可能な獲得軌道を再現法で同時に学習する。
概念実証として実施された実験結果から、3D FLATは、半径、スタックオブスター、または2D学習軌道(3次元に沿って完全にサンプリングしながら2次元平面内でのみ進化する軌道)のような標準軌跡と比較して、所定の読み出し時間に対して高い画質を達成することが示唆された。
さらに,非カルト系3次元軌跡をスライス的に取得した2次元非カルト系3次元軌跡を用いたMRI画像取得の意義を裏付ける証拠を示す。
関連論文リスト
- Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。
既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。
画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:54:04Z) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - 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) - MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。
我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。
また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
論文 参考訳（メタデータ） (2024-04-01T04:57:41Z) - MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。
このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。
我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
論文 参考訳（メタデータ） (2023-12-12T18:21:36Z) - Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse
Problems [7.074380879971194]
本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。
トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。
再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
論文 参考訳（メタデータ） (2023-08-16T17:07:40Z) - Multi PILOT: Learned Feasible Multiple Acquisition Trajectories for
Dynamic MRI [0.7843343739054056]
本研究では,ダイナミックイメージング環境における獲得学習について考察する。
複数のフレーム単位の取得軌跡の協調最適化のためのエンドツーエンドパイプラインを設計する。
より短い取得時間で画像再構成精度を向上した。
論文 参考訳（メタデータ） (2023-03-13T14:23:39Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - 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) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - Accelerating 3D MULTIPLEX MRI Reconstruction with Deep Learning [7.85035197356331]
マルチフリップ角(FA)とマルチエコレックスGRE法(MULTIP MRI)は1つのスキャンで同時に複数のパラメトリック画像を取得するために開発された。
3次元MRIデータ再構築のための深層学習フレームワークを提案する。
提案する深層学習法は,画像品質と再構成時間において良好な性能を示す。
論文 参考訳（メタデータ） (2021-05-17T21:06:14Z)
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。