Fugu-MT 論文翻訳(概要): Adversarial Robust Training of Deep Learning MRI Reconstruction Models

論文の概要: Adversarial Robust Training of Deep Learning MRI Reconstruction Models

arxiv url: http://arxiv.org/abs/2011.00070v3
Date: Tue, 27 Apr 2021 05:51:44 GMT
ステータス: 処理完了
システム内更新日: 2022-10-01 17:21:01.074360
Title: Adversarial Robust Training of Deep Learning MRI Reconstruction Models
Title（参考訳）: ディープラーニングMRI再構成モデルの逆ロバストトレーニング
Authors: Francesco Caliv\'a, Kaiyang Cheng, Rutwik Shah, Valentina Pedoia
Abstract要約: 我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep Learning (DL) has shown potential in accelerating Magnetic Resonance Image acquisition and reconstruction. Nevertheless, there is a dearth of tailored methods to guarantee that the reconstruction of small features is achieved with high fidelity. In this work, we employ adversarial attacks to generate small synthetic perturbations, which are difficult to reconstruct for a trained DL reconstruction network. Then, we use robust training to increase the network's sensitivity to these small features and encourage their reconstruction. Next, we investigate the generalization of said approach to real world features. For this, a musculoskeletal radiologist annotated a set of cartilage and meniscal lesions from the knee Fast-MRI dataset, and a classification network was devised to assess the reconstruction of the features. Experimental results show that by introducing robust training to a reconstruction network, the rate of false negative features (4.8\%) in image reconstruction can be reduced. These results are encouraging, and highlight the necessity for attention to this problem by the image reconstruction community, as a milestone for the introduction of DL reconstruction in clinical practice. To support further research, we make our annotations and code publicly available at https://github.com/fcaliva/fastMRI_BB_abnormalities_annotation.
Abstract（参考訳）: 深層学習(DL)は磁気共鳴画像の取得と再構成を促進する可能性がある。それにもかかわらず、小さな特徴の復元が高い忠実さで達成されることを保証するための仕立て工法が数多く存在する。本研究では, 訓練されたdl再構成ネットワークでは再構成が困難である小さな合成摂動を生成するために, 逆攻撃を用いる。次に,これらの小さな特徴に対するネットワークの感度を高めるためにロバストなトレーニングを行い,その再構築を奨励する。次に,本手法の現実的特徴への一般化について検討する。そこで, 筋骨格の放射線技師が膝関節の軟骨と半月板の病変のセットに注釈を付け, 特徴の再構築を評価するために分類網を考案した。画像再構成ネットワークにロバストトレーニングを導入することにより,画像再構成における偽陰性特徴率(4.8\%)を低減できることを示す。これらの結果は, 臨床におけるdlリコンストラクション導入のマイルストーンとして, 画像レコンストラクションコミュニティによる注意が必要であることを強調するものである。さらなる研究をサポートするため、アノテーションとコードはhttps://github.com/fcaliva/fastMRI_BB_abnormalities_annotationで公開しています。

関連論文リスト

Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文参考訳（メタデータ） (2023-11-22T05:44:51Z)
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)
A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
論文参考訳（メタデータ） (2022-08-26T18:34:41Z)
Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising [9.489726334567171]
本稿では,MR画像再構成のための自己教師あり学習を可能にする新しい再構成手法であるDURED-Netを提案する。 MR再生におけるノイズ2ノイズの再構成性能を画像物理を利用した明示的な事前付加により向上することを目的としている。提案手法は, 再現性を高めるために, トレーニングデータ量の削減を必要とすることを示した。
論文参考訳（メタデータ） (2022-05-07T01:49:31Z)
Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。観測された信号に基づいて生成過程を導出する。特定の加速因子に関する追加の訓練は必要としない。
論文参考訳（メタデータ） (2022-03-08T02:25:38Z)
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)
End-to-End AI-based MRI Reconstruction and Lesion Detection Pipeline for Evaluation of Deep Learning Image Reconstruction [1.2649531564873526]
画像再構成と病理診断のためのエンドツーエンドのディープラーニングフレームワークを提案する。膝関節MRIにおける半月板断裂の診断に応用した。
論文参考訳（メタデータ） (2021-09-23T17:46:08Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
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)
Fine-grained MRI Reconstruction using Attentive Selection Generative Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文参考訳（メタデータ） (2021-03-13T09:58:32Z)
Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。 ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
論文参考訳（メタデータ） (2020-08-04T21:35:32Z)

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。