論文の概要: Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting
Bootstrap Aggregation
- arxiv url: http://arxiv.org/abs/2011.06337v1
- Date: Thu, 12 Nov 2020 12:10:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 06:13:29.818858
- Title: Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting
Bootstrap Aggregation
- Title（参考訳）: outlier-rejecting bootstrap aggregateを用いた教師なしmrモーションアーチファクトディープラーニング
- Authors: Gyutaek Oh, Jeong Eun Lee, and Jong Chul Ye
- Abstract要約: そこで本研究では,外乱除去型ブートストラップサブサンプリングとアグリゲーションによる教師なし深層学習手法を提案する。
トレーニングステップでは、アーティファクトフリーの画像のみを必要とするため、ペアデータを必要としない。
本手法は, 模擬動作からのアーチファクト修正や, TSMからのリアルタイム動作に有効であることを確認した。
- 参考スコア（独自算出の注目度）: 37.41561581618164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, deep learning approaches for MR motion artifact correction have
been extensively studied. Although these approaches have shown high performance
and reduced computational complexity compared to classical methods, most of
them require supervised training using paired artifact-free and
artifact-corrupted images, which may prohibit its use in many important
clinical applications. For example, transient severe motion (TSM) due to acute
transient dyspnea in Gd-EOB-DTPA-enhanced MR is difficult to control and model
for paired data generation. To address this issue, here we propose a novel
unsupervised deep learning scheme through outlier-rejecting bootstrap
subsampling and aggregation. This is inspired by the observation that motions
usually cause sparse k-space outliers in the phase encoding direction, so
k-space subsampling along the phase encoding direction can remove some outliers
and the aggregation step can further improve the results from the
reconstruction network. Our method does not require any paired data because the
training step only requires artifact-free images. Furthermore, to address the
smoothing from potential bias to the artifact-free images, the network is
trained in an unsupervised manner using optimal transport driven cycleGAN. We
verify that our method can be applied for artifact correction from simulated
motion as well as real motion from TSM successfully, outperforming existing
state-of-the-art deep learning methods.
- Abstract（参考訳）: 近年,mrモーションアーティファクト補正のための深層学習手法が広く研究されている。
これらのアプローチは、従来の手法に比べて高い性能と計算の複雑さを示してきたが、その多くは、多くの重要な臨床応用での使用を禁止する、ペアのアーティファクトフリーとアーティファクトラップ画像を用いた教師付きトレーニングを必要とする。
例えば、Gd-EOB-DTPA強化MRの急性過渡性呼吸障害による過渡性重度運動(TSM)は、ペアデータ生成の制御とモデル化が困難である。
この問題に対処するために,アウトリアリジェクトブートストラップのサブサンプリングとアグリゲーションによる非教師なしディープラーニング手法を提案する。
これは、通常、動きが位相符号化方向のスパースk空間外れ値を引き起こすという観察に触発され、位相符号化方向に沿ってk空間のサブサンプリングがいくつかの外れ値を取り除くことができ、集約ステップは再構成ネットワークから結果をさらに改善することができる。
トレーニングステップはアーティファクトフリーなイメージのみを必要とするため,この方法はペアデータを必要としない。
さらに、潜在的なバイアスからアーティファクトフリーの画像への滑らか化に対処するため、最適な輸送駆動サイクルGANを用いて教師なしの方法でネットワークを訓練する。
本手法は,シミュレーション動作による人工物補正や,tsmによる実動作に有効であることを検証し,既存のディープラーニング手法を上回っている。
関連論文リスト
- Score-based Generative Priors Guided Model-driven Network for MRI Reconstruction [14.53268880380804]
そこで本研究では,モデル駆動型ネットワークトレーニングの先駆的な先駆的手法として,ナイーブなSMLDサンプルが用いられる新しいワークフローを提案する。
まず,予備指導画像(PGI)としてサンプルを生成するために,事前学習スコアネットワークを採用した。
第2のステップでは,PGIからアーティファクトやノイズを粗く除去するデノナイジングモジュール(DM)を設計した。
第3に、より詳細な詳細を復元するために、識別されたPGIによって誘導されるモデル駆動ネットワークを設計した。
論文 参考訳（メタデータ） (2024-05-05T14:56:34Z) - Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳（メタデータ） (2024-03-25T17:40:32Z) - Spatial-wise Dynamic Distillation for MLP-like Efficient Visual Fault
Detection of Freight Trains [11.13191969085042]
貨物列車の故障検出のための多層パーセプトロン(MLP)に基づく動的蒸留フレームワークを提案する。
学生モデルとのセマンティックな相違を効果的に解消する動的教師を提案する。
提案手法は現在の最先端検出器より優れており,より少ない計算コストでリアルタイム検出を行うことができる。
論文 参考訳（メタデータ） (2023-12-10T09:18:24Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳（メタデータ） (2023-10-15T18:44:30Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Annealed Score-Based Diffusion Model for MR Motion Artifact Reduction [37.41561581618164]
モーションアーティファクトリダクションは、MRイメージングにおいて重要な研究トピックの1つである。
我々はMRIの動作アーチファクト低減のためのアニール式スコアベース拡散モデルを提案する。
実験により, 提案手法は, シミュレーションおよび生体内動作アーティファクトの両方を効果的に低減することを確認した。
論文 参考訳（メタデータ） (2023-01-08T12:16:08Z) - Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。
本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。
現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
論文 参考訳（メタデータ） (2022-04-14T17:46:26Z) - Simultaneous super-resolution and motion artifact removal in
diffusion-weighted MRI using unsupervised deep learning [23.33029012277273]
解像度を高め,同時にモーションアーティファクトを除去できる,完全教師なしの品質向上方式を提案する。
提案手法は, 教師なし学習を用いたmriの文脈において, 超解像と運動アーティファクトの補正を同時に行う最初の方法である。
論文 参考訳（メタデータ） (2021-05-01T13:13:53Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-31T23:46:32Z) - Deep Manifold Learning for Dynamic MR Imaging [30.70648993986445]
本研究では, 非線形多様体上での深層学習法を開発し, 動的信号の時間的冗長性を探究し, 心臓MRIデータを再構成する。
提案手法は, 圧縮センシング(CS)法と, 最先端の深層学習法であるDC-CNNとCRNNと比較して, 改良された再構成が得られる。
論文 参考訳（メタデータ） (2021-03-09T02:18:08Z)
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。