論文の概要: Homotopic Gradients of Generative Density Priors for MR Image Reconstruction

• arxiv url: http://arxiv.org/abs/2008.06284v2
• Date: Mon, 1 Feb 2021 16:22:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 17:45:54.413225
• Title: Homotopic Gradients of Generative Density Priors for MR Image Reconstruction
• Title（参考訳）: MR画像再構成のための生成密度先行値のホモトピック勾配
• Authors: Cong Quan, Jinjie Zhou, Yuanzheng Zhu, Yang Chen, Shanshan Wang, Dong Liang, Qiegen Liu
• Abstract要約: MRI再建のためには, 生成密度先行のホモトピック勾配が提案されている。 その結果,HGGDPは高い再構成精度で顕著な性能を示した。
• 参考スコア（独自算出の注目度）: 17.260092753832545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning, particularly the generative model, has demonstrated tremendous potential to significantly speed up image reconstruction with reduced measurements recently. Rather than the existing generative models that often optimize the density priors, in this work, by taking advantage of the denoising score matching, homotopic gradients of generative density priors (HGGDP) are proposed for magnetic resonance imaging (MRI) reconstruction. More precisely, to tackle the low-dimensional manifold and low data density region issues in generative density prior, we estimate the target gradients in higher-dimensional space. We train a more powerful noise conditional score network by forming high-dimensional tensor as the network input at the training phase. More artificial noise is also injected in the embedding space. At the reconstruction stage, a homotopy method is employed to pursue the density prior, such as to boost the reconstruction performance. Experiment results imply the remarkable performance of HGGDP in terms of high reconstruction accuracy; only 10% of the k-space data can still generate images of high quality as effectively as standard MRI reconstruction with the fully sampled data.
• Abstract（参考訳）: 深層学習(特に生成モデル)は、画像再構成を著しく高速化し、最近は測定を減らした。 本研究では, 密度優先を最適化する既存の生成モデルではなく, 除音スコアマッチングを活かして, 生成密度優先(hggdp)のホモトピー勾配を磁気共鳴イメージング(mri)再構成のために提案する。 より正確には、生成密度以前の低次元多様体と低データ密度領域の問題に取り組むために、高次元空間における目標勾配を推定する。 訓練段階でのネットワーク入力として高次元テンソルを形成することにより,より強力な雑音条件スコアネットワークを訓練する。 さらに人工的なノイズが埋め込み空間に注入される。 再建段階では、復元性能を高めるなど、事前の密度を追求するためにホモトピー法が用いられる。 実験結果から, 高い再構成精度でHGGDPの顕著な性能が示唆された。k空間データの10%だけが, 完全サンプルデータを用いた標準的なMRI再構成と同様に, 高品質な画像を生成することができる。

関連論文リスト

• Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
  実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。 そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。 提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
  論文  参考訳（メタデータ） (2024-03-08T12:07:18Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Low-rank Tensor Assisted K-space Generative Model for Parallel Imaging Reconstruction [14.438899814473446]
  並列画像再構成のための低ランクテンソル支援k空間生成モデル(LR-KGM)を提案する。 これは、学習のための元の事前情報を高次元の事前情報に変換することを意味する。 実験により, LR-KGM法は高い性能を示した。
  論文  参考訳（メタデータ） (2022-12-11T13:34:43Z)
• K-space and Image Domain Collaborative Energy based Model for Parallel MRI Reconstruction [21.317550364310343]
  磁気共鳴(MR)画像取得時間の減少は、MRI検査をよりアクセスしやすくする可能性がある。 そこで我々は,K空間と画像領域の協調生成モデルを提案し,アンダーサンプル計測からMRデータを包括的に推定する。 実験による最先端技術との比較により, 提案手法は再構成における誤差が少なく, 異なる加速度因子下では安定であることがわかった。
  論文  参考訳（メタデータ） (2022-03-21T07:38:59Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)
• 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 Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)
• Training Variational Networks with Multi-Domain Simulations: Speed-of-Sound Image Reconstruction [5.47832435255656]
  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。
  論文  参考訳（メタデータ） (2020-06-25T13:32:08Z)

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。