論文の概要: Performance characterization of a novel deep learning-based MR image reconstruction pipeline

• arxiv url: http://arxiv.org/abs/2008.06559v1
• Date: Fri, 14 Aug 2020 19:54:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 17:58:31.641167
• Title: Performance characterization of a novel deep learning-based MR image reconstruction pipeline
• Title（参考訳）: 深層学習に基づくMR画像再構成パイプラインの性能評価
• Authors: R. Marc Lebel
• Abstract要約: 新しい深層学習型磁気共鳴画像再構成パイプラインは, 従来の画像の画質限界に対処するために設計された。 このパイプラインのユニークな目的は、トランケーションアーチファクトを画像のシャープネスを改善すると同時に、画像品質を改善するために共同でデノイングを行うことであった。 この新しいアプローチは、現在AIR Recon DLで市販されており、生データの再構築を支援する深層畳み込みニューラルネットワーク(CNN)を含んでいる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A novel deep learning-based magnetic resonance imaging reconstruction pipeline was designed to address fundamental image quality limitations of conventional reconstruction to provide high-resolution, low-noise MR images. This pipeline's unique aims were to convert truncation artifact into improved image sharpness while jointly denoising images to improve image quality. This new approach, now commercially available at AIR Recon DL (GE Healthcare, Waukesha, WI), includes a deep convolutional neural network (CNN) to aid in the reconstruction of raw data, ultimately producing clean, sharp images. Here we describe key features of this pipeline and its CNN, characterize its performance in digital reference objects, phantoms, and in-vivo, and present sample images and protocol optimization strategies that leverage image quality improvement for reduced scan time. This new deep learning-based reconstruction pipeline represents a powerful new tool to increase the diagnostic and operational performance of an MRI scanner.
• Abstract（参考訳）: ディープラーニングに基づく新しい磁気共鳴画像再構成パイプラインは,高解像度低ノイズMR画像を提供するため,従来の画像の画質限界に対処するために設計された。 このパイプラインのユニークな目的は、トランザクションアーティファクトを画像のシャープさを向上させると同時に、画像の画質を改善することであった。 この新しいアプローチは、現在AIR Recon DL(GE Healthcare, Waukesha, WI)で市販されており、生データの再構築を支援するために深層畳み込みニューラルネットワーク(CNN)を含んでいる。 ここでは、このパイプラインとそのcnnの重要な特徴を説明し、デジタル参照オブジェクト、ファントム、インビボでの性能を特徴付け、スキャン時間を短縮するために画質改善を利用するサンプル画像およびプロトコル最適化戦略を提案する。 この新しいディープラーニングベースの再構築パイプラインは、MRIスキャナの診断と操作性を向上させる強力な新しいツールである。

関連論文リスト

• 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)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• MRI Field-transfer Reconstruction with Limited Data: Regularization by Neural Style Transfer [1.755209318470883]
  Denoising (RED) による正規化は、画像再構成の先行として Denoiser を組み込む一般的なパイプラインである。 本稿では,ニューラル・スタイル・トランスファー(RNST)法による正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-08-21T18:26:35Z)
• Flow-based Visual Quality Enhancer for Super-resolution Magnetic Resonance Spectroscopic Imaging [13.408365072149795]
  超高解像度MRSIの視覚的品質を向上させるためのフローベースエンハンサーネットワークを提案する。 我々のエンハンサーネットワークは、追加画像モダリティ(MRI)から解剖情報を取り込み、学習可能なベース分布を使用する。 また,視覚的品質調整や不確実性推定も可能である。
  論文  参考訳（メタデータ） (2022-07-20T20:19:44Z)
• Invertible Sharpening Network for MRI Reconstruction Enhancement [17.812760964428165]
  InvSharpNet(InvSharpNet)は,MRI再建の視覚的品質を改善するために提案される。 入力データを地上の真実にマッピングする従来の方法とは異なり、InvSharpNetは、ぼやけた変換を学ぶための後方トレーニング戦略を適用している。 さまざまなMRIデータセットの実験では、InvSharpNetはアーティファクトの少ない再構築シャープネスを改善することができる。
  論文  参考訳（メタデータ） (2022-06-06T18:21:48Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• 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)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)

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。