論文の概要: Learned Proximal Networks for Quantitative Susceptibility Mapping
- arxiv url: http://arxiv.org/abs/2008.05024v1
- Date: Tue, 11 Aug 2020 22:35:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 11:29:23.346141
- Title: Learned Proximal Networks for Quantitative Susceptibility Mapping
- Title（参考訳）: 定量的サセプティビリティマッピングのための学習した近位ネットワーク
- Authors: Kuo-Wei Lai, Manisha Aggarwal, Peter van Zijl, Xu Li, Jeremias Sulam
- Abstract要約: 本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。
このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
- 参考スコア（独自算出の注目度）: 9.061630971752464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitative Susceptibility Mapping (QSM) estimates tissue magnetic
susceptibility distributions from Magnetic Resonance (MR) phase measurements by
solving an ill-posed dipole inversion problem. Conventional single orientation
QSM methods usually employ regularization strategies to stabilize such
inversion, but may suffer from streaking artifacts or over-smoothing. Multiple
orientation QSM such as calculation of susceptibility through multiple
orientation sampling (COSMOS) can give well-conditioned inversion and an
artifact free solution but has expensive acquisition costs. On the other hand,
Convolutional Neural Networks (CNN) show great potential for medical image
reconstruction, albeit often with limited interpretability. Here, we present a
Learned Proximal Convolutional Neural Network (LP-CNN) for solving the
ill-posed QSM dipole inversion problem in an iterative proximal gradient
descent fashion. This approach combines the strengths of data-driven
restoration priors and the clear interpretability of iterative solvers that can
take into account the physical model of dipole convolution. During training,
our LP-CNN learns an implicit regularizer via its proximal, enabling the
decoupling between the forward operator and the data-driven parameters in the
reconstruction algorithm. More importantly, this framework is believed to be
the first deep learning QSM approach that can naturally handle an arbitrary
number of phase input measurements without the need for any ad-hoc rotation or
re-training. We demonstrate that the LP-CNN provides state-of-the-art
reconstruction results compared to both traditional and deep learning methods
while allowing for more flexibility in the reconstruction process.
- Abstract（参考訳）: 定量的磁化率マッピング(qsm)は、不適切な双極子反転問題を解いて、mr位相測定から組織磁化率分布を推定する。
従来の単方向QSM法では、通常、そのような逆転を安定化するために正規化戦略を用いるが、ストレートアーティファクトや過度なスムーシングに悩まされることがある。
マルチオリエンテーションサンプリング(COSMOS)による感受性の計算などのマルチオリエンテーションQSMは、よく条件付き逆転とアーティファクトフリーソリューションを提供するが、高価な買収コストがかかる。
一方、畳み込みニューラルネットワーク(cnn)は、しばしば限定的な解釈性を持つが、医用画像再構成において大きな可能性を秘めている。
本稿では,QSM双極子反転問題を反復的近位勾配勾配法で解くための学習近位畳み込みニューラルネットワーク(LP-CNN)を提案する。
このアプローチは、データ駆動修復優先の強みと、双極子畳み込みの物理モデルを考慮した反復解法の明確な解釈可能性を組み合わせたものである。
トレーニング中、LP-CNNはその近性を通して暗黙の正規化子を学習し、フォワード演算子と再構成アルゴリズムにおけるデータ駆動パラメータとの疎結合を可能にする。
さらに重要なのは、このフレームワークは、任意の位相入力測定をアドホック回転や再学習なしに自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
LP-CNNは,従来の学習法と深層学習法に比較して最先端の再構築結果を提供するとともに,再構築過程の柔軟性を高めることを実証する。
関連論文リスト
- Affine Transformation Edited and Refined Deep Neural Network for
Quantitative Susceptibility Mapping [10.772763441035945]
定量的サセプティビリティマッピング(QSM)のための、エンドツーエンドのAFfine Transformation Edited and Refined (AFTER)ディープニューラルネットワークを提案する。
任意の取得方向と空間分解能が最大0.6mm等方性に対して最も高い。
論文 参考訳（メタデータ） (2022-11-25T07:54:26Z) - 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) - DeepSTI: Towards Tensor Reconstruction using Fewer Orientations in
Susceptibility Tensor Imaging [9.79660375437555]
感応性テンソルイメージング(英語: Susceptibility tensor imaging、STI)は、2階テンソルモデルを用いて異方性組織磁気感受性を特徴付ける新しい磁気共鳴イメージング技術である。
STIは、白質繊維経路の再構築と、ミリ分解能以下で脳のミエリン変化を検出するための情報を提供する可能性がある。
しかし、生体内でのSTIの応用は、その難易度とMR相の変化を測定するための時間を要する取得要求によって妨げられている。
論文 参考訳（メタデータ） (2022-09-09T20:03:53Z) - MA-RECON: Mask-aware deep-neural-network for robust fast MRI k-space
interpolation [3.0821115746307672]
低サンプリングkspaceデータからのMRI画像の高品質な再構成は、MRI取得時間を短縮し、時間分解能を向上するために重要である。
本稿では,マスク対応ディープニューラルネットワーク(DNN)アーキテクチャと関連するトレーニング手法であるMA-RECONを紹介する。
様々なアンダーサンプリングマスクで生成されたデータを活用して、アンダーサンプリングされたMRI再構成問題の一般化を刺激する。
論文 参考訳（メタデータ） (2022-08-31T15:57:38Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳（メタデータ） (2022-03-08T02:25:38Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T07:46:54Z) - 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) - CycleQSM: Unsupervised QSM Deep Learning using Physics-Informed CycleGAN [23.80331349122883]
物理インフォームドサイクルGANを用いた教師なしQSM深層学習手法を提案する。
従来のサイクルGANとは対照的に、私たちの新しいサイクルGANは既知の双極子カーネルのおかげで1つの発電機と1つの識別器しか持っていません。
実験の結果,提案手法は既存の深層学習手法と比較して,より正確な QSM マップを提供することがわかった。
論文 参考訳（メタデータ） (2020-12-07T16:46:15Z) - Short-Term Memory Optimization in Recurrent Neural Networks by
Autoencoder-based Initialization [79.42778415729475]
線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。
このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。
提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
論文 参考訳（メタデータ） (2020-11-05T14:57:16Z) - Investigating the Scalability and Biological Plausibility of the
Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。
このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。
また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文 参考訳（メタデータ） (2020-10-13T08:02:38Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。