論文の概要: Unpaired Deep Learning for Accelerated MRI using Optimal Transport
Driven CycleGAN
- arxiv url: http://arxiv.org/abs/2008.12967v1
- Date: Sat, 29 Aug 2020 12:02:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 16:53:23.675322
- Title: Unpaired Deep Learning for Accelerated MRI using Optimal Transport
Driven CycleGAN
- Title(参考訳): 最適輸送駆動サイクルGANを用いた加速MRIのための未経験深度学習
- Authors: Gyutaek Oh, Byeongsu Sim, Hyungjin Chung, Leonard Sunwoo, and Jong
Chul Ye
- Abstract要約: 最適輸送駆動サイクル一貫性生成対向ネットワーク(OT-cycleGAN)を用いた未ペア深層学習手法を提案する。
提案するOT-cycleGANアーキテクチャは, 特別に設計された最小二乗法を用いて, 最適輸送定式化の双対な定式化から厳密に導かれる。
- 参考スコア(独自算出の注目度): 33.68599686848292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep learning approaches for accelerated MRI have been extensively
studied thanks to their high performance reconstruction in spite of
significantly reduced runtime complexity. These neural networks are usually
trained in a supervised manner, so matched pairs of subsampled and fully
sampled k-space data are required. Unfortunately, it is often difficult to
acquire matched fully sampled k-space data, since the acquisition of fully
sampled k-space data requires long scan time and often leads to the change of
the acquisition protocol. Therefore, unpaired deep learning without matched
label data has become a very important research topic. In this paper, we
propose an unpaired deep learning approach using a optimal transport driven
cycle-consistent generative adversarial network (OT-cycleGAN) that employs a
single pair of generator and discriminator. The proposed OT-cycleGAN
architecture is rigorously derived from a dual formulation of the optimal
transport formulation using a specially designed penalized least squares cost.
The experimental results show that our method can reconstruct high resolution
MR images from accelerated k- space data from both single and multiple coil
acquisition, without requiring matched reference data.
- Abstract(参考訳): 近年,実行時複雑性が著しく低下しているにもかかわらず,高性能な再構成により,MRIの高速化のためのディープラーニング手法が広く研究されている。
これらのニューラルネットワークは通常、教師付き方法で訓練されるため、マッチしたサブサンプルと完全にサンプリングされたk空間のデータが必要である。
残念ながら、完全にサンプリングされたk空間データの取得には長い走査時間が必要であり、しばしば取得プロトコルの変更につながるため、一致した完全なk空間データの取得は困難である。
したがって、ラベルデータにマッチしない非ペア型ディープラーニングは、非常に重要な研究テーマとなっている。
本稿では,1組のジェネレータと識別器を用いた最適輸送駆動サイクル一貫性生成対向ネットワーク(OT-cycleGAN)を用いた未ペア深層学習手法を提案する。
提案するOT-cycleGANアーキテクチャは, 特別に設計された最小二乗法を用いて, 最適輸送定式化の双対な定式化から厳密に導かれる。
提案手法は,単一コイルと複数コイルからの加速k空間データから,一致した参照データを必要としない高分解能mr画像を再構成できることを示す。
関連論文リスト
- Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural
Networks [89.28881869440433]
本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。
解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
論文 参考訳(メタデータ) (2023-02-06T16:54:20Z) - On Retrospective k-space Subsampling schemes For Deep MRI Reconstruction [2.4934936799100034]
直交的または非直交的軌跡はMRIスキャナーで代替のサブサンプリングオプションとして実装することができる。
本研究は,1k$-spaceサブサンプリング方式がMRIの再構成精度に及ぼす影響について検討する。
論文 参考訳(メタデータ) (2023-01-20T00:05:18Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - Data Sampling Affects the Complexity of Online SGD over Dependent Data [54.92366535993012]
本研究では,データサンプリング方式の違いが,高依存データに対するオンライン勾配勾配勾配の複雑さにどのように影響するかを示す。
データサンプルのサブサンプリングさえも、高度に依存したデータに対するオンラインSGDの収束を加速することができる。
論文 参考訳(メタデータ) (2022-03-31T07:48:30Z) - Self-Supervised Learning for MRI Reconstruction with a Parallel Network
Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。
本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-26T06:09:56Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳(メタデータ) (2021-08-23T21:03:09Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale
Problems [0.0]
多次元並列MRIにおけるスキャン時間を削減することを目的として, 効果的なサンプリングパターン(SP)を学習するために, バイアス加速サブセット選択(BASS)を提案する。
BASSは4種類の並列MRI再構成法を用いて低ランク度, 疎度で試験した。
結果: BASSは計算コストが低く, 収束が速いため, 現行の強欲アプローチの100倍の速さでSPを得た。
論文 参考訳(メタデータ) (2020-11-04T14:42:41Z) - Unsupervised MRI Reconstruction with Generative Adversarial Networks [14.253509181850502]
生成的対向ネットワークを用いた完全サンプリングデータのないMRI再構成のためのディープラーニングフレームワークを提案する。
提案手法を2つのシナリオで検証し, 高速スピンエコー膝試験と前向きアンサンプド腹部DCEの2つのシナリオについて検討した。
論文 参考訳(メタデータ) (2020-08-29T22:00:49Z) - Longitudinal Deep Kernel Gaussian Process Regression [16.618767289437905]
縦型ディープカーネルプロセスレグレッション(L-DKGPR)を導入する。
L-DKGPRは、縦方向のデータから複雑な多レベル相関構造の発見を自動化する。
そこで我々は,L-DKGPRを学習するための効率的なアルゴリズムを,遅延空間誘導点と変分推論を用いて導出した。
論文 参考訳(メタデータ) (2020-05-24T15:10:48Z) - 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。