論文の概要: Multi-Mask Self-Supervised Learning for Physics-Guided Neural Networks in Highly Accelerated MRI

• arxiv url: http://arxiv.org/abs/2008.06029v2
• Date: Thu, 9 Jun 2022 00:33:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 23:04:35.130201
• Title: Multi-Mask Self-Supervised Learning for Physics-Guided Neural Networks in Highly Accelerated MRI
• Title（参考訳）: 高速MRIにおける物理誘導ニューラルネットワークのマルチマスク自己教師付き学習
• Authors: Burhaneddin Yaman, Hongyi Gu, Seyed Amir Hossein Hosseini, Omer Burak Demirel, Steen Moeller, Jutta Ellermann, K\^amil U\u{g}urbil, Mehmet Ak\c{c}akaya
• Abstract要約: 自己教師付き学習は、完全にサンプリングされたデータなしでディープラーニングのMRI再構成方法を訓練する能力により、大きな可能性を秘めている。 現在の自己教師付き学習法では、取得したアンダーサンプ付きデータを2つの解離集合に分割し、一方は、アンロールされたネットワークにおけるデータ一貫性(DC)に、もう一方はトレーニング損失を定義するために使用される。 完全サンプルデータのデータベースを使わずに、より効率的に取得したデータを用いて物理誘導型再構成ネットワークを訓練する自己教師付き学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.9903137981116727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning has shown great promise due to its capability to train deep learning MRI reconstruction methods without fully-sampled data. Current self-supervised learning methods for physics-guided reconstruction networks split acquired undersampled data into two disjoint sets, where one is used for data consistency (DC) in the unrolled network and the other to define the training loss. In this study, we propose an improved self-supervised learning strategy that more efficiently uses the acquired data to train a physics-guided reconstruction network without a database of fully-sampled data. The proposed multi-mask self-supervised learning via data undersampling (SSDU) applies a hold-out masking operation on acquired measurements to split it into multiple pairs of disjoint sets for each training sample, while using one of these pairs for DC units and the other for defining loss, thereby more efficiently using the undersampled data. Multi-mask SSDU is applied on fully-sampled 3D knee and prospectively undersampled 3D brain MRI datasets, for various acceleration rates and patterns, and compared to CG-SENSE and single-mask SSDU DL-MRI, as well as supervised DL-MRI when fully-sampled data is available. Results on knee MRI show that the proposed multi-mask SSDU outperforms SSDU and performs closely with supervised DL-MRI. A clinical reader study further ranks the multi-mask SSDU higher than supervised DL-MRI in terms of SNR and aliasing artifacts. Results on brain MRI show that multi-mask SSDU achieves better reconstruction quality compared to SSDU. Reader study demonstrates that multi-mask SSDU at R=8 significantly improves reconstruction compared to single-mask SSDU at R=8, as well as CG-SENSE at R=2.
• Abstract（参考訳）: 自己教師付き学習は、完全にサンプリングされたデータなしでディープラーニングのMRI再構成方法を訓練できることから、大きな可能性を秘めている。 物理誘導型再構成ネットワークにおける現在の自己教師型学習手法は、取得したアンダーサンプ付きデータを2つの不整合集合に分割し、一方がアンロールドネットワークにおけるデータ一貫性(DC)に、もう一方がトレーニング損失を定義するために使用される。 本研究では,完全サンプルデータのデータベースを使わずに,より効率的に取得したデータを用いて物理誘導型再構成ネットワークを訓練する自己教師型学習戦略を提案する。 データアンサンプリング(SSDU)によるマルチマスク自己教師型学習では、取得した測定値にホールドアウトマスキング操作を適用し、各トレーニングサンプルに対して複数の解離集合に分割し、これらのペアのうちの1つをDCユニットに、もう1つを損失を定義するために使用し、より効率的にアンサンプされたデータを使用する。 マルチマスク SSDU は、フルサンプリングされた3次元膝と前方アンサンプされた3次元脳MRIデータセットに適用され、様々な加速度速度とパターン、CG-SENSE やシングルマスク SSDU DL-MRI と比較される。 膝関節MRIでは,提案したマルチマスクSSDUがSSDUより優れ,DL-MRIと密接に連携していることが示された。 臨床読者による研究は、SNRおよびエイリアシングアーティファクトの点において、多マスクSSDUが監督されたDL-MRIより上位であることを示している。 脳MRIの結果から,マルチマスクSSDUはSSDUに比べて再現性が高いことがわかった。 R=8のマルチマスクSSDUは、R=8のシングルマスクSSDUやR=2のCG-SENSEに比べて、再構成が著しく改善することを示す。

関連論文リスト

• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction [8.721677700107639]
  アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。 我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。 提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
  論文  参考訳（メタデータ） (2023-12-01T16:00:16Z)
• JSSL: Joint Supervised and Self-supervised Learning for MRI Reconstruction [7.018974360061121]
  Joint Supervised and Self-supervised Learning (JSSL)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。 JSSLは、ターゲットデータセットのサブサンプルデータを使用して、自己教師付き学習設定でモデルを同時にトレーニングすることによって動作する。 目的とするデータセットとして, サブサンプリング前立腺, 心臓MRIデータを用いたJSSLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-27T14:23:36Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
  非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
  論文  参考訳（メタデータ） (2023-02-18T06:11:49Z)
• 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)
• A theoretical framework for self-supervised MR image reconstruction using sub-sampling via variable density Noisier2Noise [0.0]
  我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。 サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
  論文  参考訳（メタデータ） (2022-05-20T16:19:23Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• Multi-document Summarization with Maximal Marginal Relevance-guided Reinforcement Learning [54.446686397551275]
  RL-MMRは、古典的MDSで使用される高度な神経SDS法と統計測度を統一する。 RL-MMRは、より少ない有望な候補にMMRガイダンスを投入し、探索空間を抑え、より良い表現学習をもたらす。
  論文  参考訳（メタデータ） (2020-09-30T21:50:46Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。