Fugu-MT 論文翻訳(概要): Unsupervised MRI Reconstruction with Generative Adversarial Networks

論文の概要: Unsupervised MRI Reconstruction with Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2008.13065v1
Date: Sat, 29 Aug 2020 22:00:49 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 17:02:05.540447
Title: Unsupervised MRI Reconstruction with Generative Adversarial Networks
Title（参考訳）: ジェネレーティブ・ディバイサル・ネットワークを用いた教師なしMRI再構成
Authors: Elizabeth K. Cole, John M. Pauly, Shreyas S. Vasanawala, Frank Ong
Abstract要約: 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。
参考スコア（独自算出の注目度）: 14.253509181850502
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning-based image reconstruction methods have achieved promising results across multiple MRI applications. However, most approaches require large-scale fully-sampled ground truth data for supervised training. Acquiring fully-sampled data is often either difficult or impossible, particularly for dynamic contrast enhancement (DCE), 3D cardiac cine, and 4D flow. We present a deep learning framework for MRI reconstruction without any fully-sampled data using generative adversarial networks. We test the proposed method in two scenarios: retrospectively undersampled fast spin echo knee exams and prospectively undersampled abdominal DCE. The method recovers more anatomical structure compared to conventional methods.
Abstract（参考訳）: 深層学習に基づく画像再構成法は複数のMRIアプリケーションで有望な結果を得た。しかし、ほとんどの手法は教師あり訓練のために大規模な完全サンプリングされた真実データを必要とする。完全サンプリングデータを取得することは、特にダイナミックコントラスト増強(DCE)、3D心筋シン、および4Dフローにおいて困難または不可能であることが多い。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。従来の方法に比べて解剖学的構造が回復する。

関連論文リスト

One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction [26.380964812293136]
高速MRIにおける画像再構成のための強力なツールとしてディープラーニングが登場した。 PISFは、訓練された1つのモデルのみを用いて、マルチシナリオMRI再構成のための一般化可能なDLを可能にする最初の方法である。
論文参考訳（メタデータ） (2023-07-25T03:11:24Z)
Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文参考訳（メタデータ） (2023-06-05T22:09:06Z)
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)
Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文参考訳（メタデータ） (2022-11-24T06:57:16Z)
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)
Ultrasound Signal Processing: From Models to Deep Learning [83.00618699971432]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理アルゴリズムに大きく依存している。手作りの再現法は、しばしば基礎となる測定モデルの近似に基づいており、実際は有用であるが、画質の面では遅れている。ディープラーニングベースの手法が人気を集め、データ駆動方式で最適化されている。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
核磁気共鳴画像(MRI)における深層学習の驚くべき性能最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
論文参考訳（メタデータ） (2021-12-09T06:39:55Z)
Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文参考訳（メタデータ） (2021-10-15T13:16:59Z)
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)
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)
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。