論文の概要: Sampling possible reconstructions of undersampled acquisitions in MR
imaging
- arxiv url: http://arxiv.org/abs/2010.00042v3
- Date: Wed, 9 Feb 2022 10:10:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 23:17:20.089674
- Title: Sampling possible reconstructions of undersampled acquisitions in MR
imaging
- Title（参考訳）: MR画像におけるアンダーサンプル取得の可能性
- Authors: Kerem C. Tezcan, Neerav Karani, Christian F. Baumgartner, Ender
Konukoglu
- Abstract要約: MR中のk-空間のアンサンプは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像が生成される。
伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。
そこで本研究では,逆変換プロセスにおける不確実性を捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
- 参考スコア（独自算出の注目度）: 9.75702493778194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Undersampling the k-space during MR acquisitions saves time, however results
in an ill-posed inversion problem, leading to an infinite set of images as
possible solutions. Traditionally, this is tackled as a reconstruction problem
by searching for a single "best" image out of this solution set according to
some chosen regularization or prior. This approach, however, misses the
possibility of other solutions and hence ignores the uncertainty in the
inversion process. In this paper, we propose a method that instead returns
multiple images which are possible under the acquisition model and the chosen
prior to capture the uncertainty in the inversion process. To this end, we
introduce a low dimensional latent space and model the posterior distribution
of the latent vectors given the acquisition data in k-space, from which we can
sample in the latent space and obtain the corresponding images. We use a
variational autoencoder for the latent model and the Metropolis adjusted
Langevin algorithm for the sampling. We evaluate our method on two datasets;
with images from the Human Connectome Project and in-house measured multi-coil
images. We compare to five alternative methods. Results indicate that the
proposed method produces images that match the measured k-space data better
than the alternatives, while showing realistic structural variability.
Furthermore, in contrast to the compared methods, the proposed method yields
higher uncertainty in the undersampled phase encoding direction, as expected.
Keywords: Magnetic Resonance image reconstruction, uncertainty estimation,
inverse problems, sampling, MCMC, deep learning, unsupervised learning.
- Abstract（参考訳）: MR取得中にk空間をアンサンプすることは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像集合が得られる。
伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。
しかし、このアプローチは他の解の可能性を見逃し、従って反転過程の不確実性を無視する。
本稿では,逆転過程における不確かさを捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
この目的のために、我々は低次元の潜伏空間を導入し、k空間における取得データから得られた潜伏ベクトルの後方分布をモデル化し、潜伏空間をサンプリングして対応する画像を得る。
潜在モデルには変分オートエンコーダ,サンプリングにはメトロポリス調整ランジュバンアルゴリズムを用いる。
我々は,Human Connectome Projectと社内で計測されたマルチコイル画像の2つのデータセットを用いて,本手法の評価を行った。
5つの方法と比較する。
提案手法は,現実的な構造変化を示しながら,測定したk空間データに適合する画像を生成することを示す。
さらに, 比較手法と対照的に, 提案手法は期待どおりアンサンプされた位相符号化方向における不確実性が高い。
キーワード:磁気共鳴画像再構成、不確実性推定、逆問題、サンプリング、MCMC、ディープラーニング、教師なし学習。
関連論文リスト
- Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - MOSAIC: Masked Optimisation with Selective Attention for Image
Reconstruction [0.5541644538483947]
本研究では,無作為な計測値の選択を考慮に入れた画像再構成のための新しい圧縮センシングフレームワークを提案する。
MOSAICは、エンコードされた一連の測定に注意機構を効率的に適用するために埋め込み技術を採用している。
既存のCS再建手法の代替として,提案するアーキテクチャを検証した。
論文 参考訳（メタデータ） (2023-06-01T17:05:02Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳（メタデータ） (2023-05-07T23:00:47Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-02T09:06:10Z) - Mining the manifolds of deep generative models for multiple
data-consistent solutions of ill-posed tomographic imaging problems [10.115302976900445]
断層撮影は一般的に逆問題である。
本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
論文 参考訳（メタデータ） (2022-02-10T20:27:31Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳（メタデータ） (2022-01-27T20:19:07Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Fast Scalable Image Restoration using Total Variation Priors and
Expectation Propagation [7.7731951589289565]
本稿では,全変動(TV)を用いた画像復元のための拡張性のあるベイズ近似手法を提案する。
我々は期待伝搬(EP)フレームワークを用いて最小平均二乗誤差(MMSE)推定器と限界(ピクセル単位)分散を近似する。
論文 参考訳（メタデータ） (2021-10-04T17:28:41Z) - Non-Iterative Phase Retrieval With Cascaded Neural Networks [0.966840768820136]
本稿では,非オーバースタンプフーリエ等級と異なる解像度で画像を連続的に再構成するディープニューラルネットワークカスケードを提案する。
提案手法を4つの異なるデータセットで評価する。
論文 参考訳（メタデータ） (2021-06-18T15:52:12Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Distributed optimization for nonrigid nano-tomography [0.40631409309544836]
本研究では,ナノスケールの試料の投影アライメント,アンワーピング,正規化を併用した共同解析器を提案する。
投影データの一貫性は、ファーンバックのアルゴリズムによって推定される密度の高い光流によって制御され、より少ないアーティファクトで鋭いサンプル再構成をもたらす。
論文 参考訳（メタデータ） (2020-07-11T19:22:43Z)
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。