論文の概要: Deep Low-rank plus Sparse Network for Dynamic MR Imaging

• arxiv url: http://arxiv.org/abs/2010.13677v3
• Date: Tue, 20 Jul 2021 12:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 18:48:41.844040
• Title: Deep Low-rank plus Sparse Network for Dynamic MR Imaging
• Title（参考訳）: ダイナミックMRIのための深部低ランク+スパースネットワーク
• Authors: Wenqi Huang, Ziwen Ke, Zhuo-Xu Cui, Jing Cheng, Zhilang Qiu, Sen Jia, Leslie Ying, Yanjie Zhu, Dong Liang
• Abstract要約: 動的MR再構成のためのモデルベース低ランク+スパースネットワークL+S-Netを提案する。 振り返りおよび将来的な心血管データセットの実験により、提案モデルは最先端のCSおよび既存のディープラーニング手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 18.09395940969876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In dynamic magnetic resonance (MR) imaging, low-rank plus sparse (L+S) decomposition, or robust principal component analysis (PCA), has achieved stunning performance. However, the selection of the parameters of L+S is empirical, and the acceleration rate is limited, which are common failings of iterative compressed sensing MR imaging (CS-MRI) reconstruction methods. Many deep learning approaches have been proposed to address these issues, but few of them use a low-rank prior. In this paper, a model-based low-rank plus sparse network, dubbed L+S-Net, is proposed for dynamic MR reconstruction. In particular, we use an alternating linearized minimization method to solve the optimization problem with low-rank and sparse regularization. Learned soft singular value thresholding is introduced to ensure the clear separation of the L component and S component. Then, the iterative steps are unrolled into a network in which the regularization parameters are learnable. We prove that the proposed L+S-Net achieves global convergence under two standard assumptions. Experiments on retrospective and prospective cardiac cine datasets show that the proposed model outperforms state-of-the-art CS and existing deep learning methods and has great potential for extremely high acceleration factors (up to 24x).
• Abstract（参考訳）: ダイナミック磁気共鳴(MR)イメージングでは、低ランク+スパース(L+S)分解、またはロバスト主成分分析(PCA)が素晴らしい性能を達成した。 しかし、l+sのパラメータの選択は経験的であり、加速速度は限られており、反復型圧縮センシングmr画像法(cs-mri)の一般的な失敗である。 これらの問題に対処するために、多くのディープラーニングアプローチが提案されている。 本稿では,L+S-Netと呼ばれるモデルベース低ランク+スパースネットワークを動的MR再構成のために提案する。 特に、線形化最小化法を用いて、低ランクおよびスパース正規化による最適化問題を解く。 L成分とS成分の明確な分離を確保するために、学習したソフト特異値しきい値閾値設定を導入する。 そして、繰り返しステップを正規化パラメータが学習可能なネットワークにアンロールする。 提案したL+S-Netは、2つの標準仮定の下で大域収束を実現する。 振り返りおよび心血管データセットの実験により、提案モデルは最先端のCSおよび既存のディープラーニング手法より優れており、非常に高い加速因子(最大24倍)の可能性が示された。

関連論文リスト

• Dynamic MRI reconstruction using low-rank plus sparse decomposition with smoothness regularization [13.784906186556016]
  高アンサンプ化されたk-t-空間データからDMRI再構成のためのスムーズネス規則化L+S(SR-L+S)モデルを提案する。 我々は,dMRIの背景成分の低ランク,スムーズな先行成分を併用し,その大域的および局所的な時間的相関構造をよりよく捉えた。
  論文  参考訳（メタデータ） (2024-01-30T11:52:35Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Meta-Learning based Degradation Representation for Blind Super-Resolution [54.93926549648434]
  メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。 我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。 教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T09:03:00Z)
• PS-Net: Deep Partially Separable Modelling for Dynamic Magnetic Resonance Imaging [6.974773529651233]
  動的MRイメージングのための学習された低ランク法を提案する。 心臓シネデータセットの実験により、提案モデルが最先端圧縮センシング(CS)法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-09T07:06:02Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Neural Network-based Reconstruction in Compressed Sensing MRI Without Fully-sampled Training Data [17.415937218905125]
  CS-MRIは、アンダーサンプリングされたMR画像の再構成を約束している。 ニューラルネットワークで繰り返しをアンロールすることで、古典的なテクニックの反復性をモデル化するディープラーニングモデルが開発されている。 本稿では,古典的最適化方式で広く用いられている損失関数を応用して,非学習型再構成ネットワークを教師なしで訓練するための新しい戦略について検討する。
  論文  参考訳（メタデータ） (2020-07-29T17:46:55Z)
• Deep Low-rank Prior in Dynamic MR Imaging [30.70648993986445]
  本稿では、学習可能な低ランクをディープネットワークアーキテクチャに導入するための2つの新しいスキームを紹介する。 本研究では,SLR-Netと呼ばれるダイナミックMRイメージングのためのモデルベースアンローリングスパースとローランクネットワークを提案する。 プラグ・アンド・プレイ方式では、他の動的MRニューラルネットワークに簡単に組み込むことができるプラグ・アンド・プレイLRネットワークモジュールを提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:26:10Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。