論文の概要: Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale
Problems
- arxiv url: http://arxiv.org/abs/2011.02322v1
- Date: Wed, 4 Nov 2020 14:42:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 23:15:46.933728
- Title: Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale
Problems
- Title（参考訳）: 大規模問題に対するMRIサンプリングパターンの高速データ駆動学習
- Authors: Marcelo V. W. Zibetti and Gabor T. Herman and Ravinder R. Regatte
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: A fast data-driven optimization approach, named bias-accelerated
subset selection (BASS), is proposed for learning efficacious sampling patterns
(SPs) with the purpose of reducing scan time in large-dimensional parallel MRI.
Methods: BASS is applicable when Cartesian fully-sampled k-space data of
specific anatomy is available for training and the reconstruction method is
specified, learning which k-space points are more relevant for the specific
anatomy and reconstruction in recovering the non-sampled points. BASS was
tested with four reconstruction methods for parallel MRI based on low-rankness
and sparsity that allow a free choice of the SP. Two datasets were tested, one
of the brain images for high-resolution imaging and another of knee images for
quantitative mapping of the cartilage. Results: BASS, with its low
computational cost and fast convergence, obtained SPs 100 times faster than the
current best greedy approaches. Reconstruction quality increased up to 45\%
with our learned SP over that provided by variable density and Poisson disk
SPs, considering the same scan time. Optionally, the scan time can be nearly
halved without loss of reconstruction quality. Conclusion: Compared with
current approaches, BASS can be used to rapidly learn effective SPs for various
reconstruction methods, using larger SP and larger datasets. This enables a
better selection of efficacious sampling-reconstruction pairs for specific MRI
problems.
- Abstract（参考訳）: 目的: 高速なデータ駆動最適化手法であるバイアス加速サブセット選択(BASS)を提案し, 大規模並列MRIにおけるスキャン時間を削減することを目的として, 効率的なサンプリングパターン(SP)を学習する。
方法: 特定の解剖学のカルテジアン完全サンプリングされたk空間データをトレーニングに利用できる場合, バスが適用可能であり, 再構成方法, 特定の解剖学および非サンプリング点の回収において, k空間のどの点がより関連しているかを学習する。
BASSは4つの並列MRI再構成法を用いて,SPの自由選択を可能にする低ランク度と疎度に基づいて試験を行った。
2つのデータセットをテストした。1つは高解像度イメージングのための脳画像、もう1つは軟骨の定量的マッピングのための膝画像である。
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。
同じスキャン時間を考慮すると、再構成品質は可変密度とポアソンディスクspsによって提供されるspよりも45\%向上した。
任意に、スキャン時間は復元品質を損なうことなくほぼ半減することができる。
結論: BASSは現在のアプローチと比較して,より大規模なSPと大規模なデータセットを用いて,様々な再構成手法の効果的なSPを迅速に学習することができる。
これにより、特定のMRI問題に対して効率的なサンプリングと再構成のペアを選択できる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - 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) - Adaptive Local Neighborhood-based Neural Networks for MR Image
Reconstruction from Undersampled Data [7.670270099306413]
近年の研究では,少ないサンプルのk空間データから深層学習を用いたMR画像の再構成が期待されている。
そこで本研究では,ニューラルネットワークを適応的に推定された訓練セットの小さな地区に適合させることにより,再構築時に直接ディープニューラルネットワークを推定する手法を提案する。
提案手法は,大規模データセットおよび他のスキャン適応手法を用いて世界規模で訓練されたモデルと比較して,高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2022-06-01T21:37:03Z) - PUERT: Probabilistic Under-sampling and Explicable Reconstruction
Network for CS-MRI [47.24613772568027]
圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。
本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。
2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
論文 参考訳（メタデータ） (2022-04-24T04:23:57Z) - Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文 参考訳（メタデータ） (2022-04-05T20:28:42Z) - Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
論文 参考訳（メタデータ） (2021-08-17T17:45:51Z) - End-to-End Sequential Sampling and Reconstruction for MR Imaging [37.29958197193658]
本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。
提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
論文 参考訳（メタデータ） (2021-05-13T17:56:18Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - Unpaired Deep Learning for Accelerated MRI using Optimal Transport
Driven CycleGAN [33.68599686848292]
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。
論文 参考訳（メタデータ） (2020-08-29T12:02:49Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。