Fugu-MT 論文翻訳(概要): Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted Deep Learning

論文の概要: Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted Deep Learning

arxiv url: http://arxiv.org/abs/2011.13614v1
Date: Fri, 27 Nov 2020 09:08:05 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 01:27:58.193592
Title: Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted Deep Learning
Title（参考訳）: 教師の繰り返し強制と再重み付けによるマルチタスクmrイメージング
Authors: Kehan Qi, Yu Gong, Xinfeng Liu, Xin Liu, Hairong Zheng, Shanshan Wang
Abstract要約: 我々は,既存のビッグデータから事前知識を学習するための,マルチタスク深層学習手法を開発した。次に,これらを用いて,アンダーサンプリングしたk空間データからMR再構成とセグメンテーションを同時支援する。提案手法は,同時的かつ正確なMR再構成とセグメンテーションの促進機能を有することを示す。
参考スコア（独自算出の注目度）: 14.62432715967572
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Noises, artifacts, and loss of information caused by the magnetic resonance (MR) reconstruction may compromise the final performance of the downstream applications. In this paper, we develop a re-weighted multi-task deep learning method to learn prior knowledge from the existing big dataset and then utilize them to assist simultaneous MR reconstruction and segmentation from the under-sampled k-space data. The multi-task deep learning framework is equipped with two network sub-modules, which are integrated and trained by our designed iterative teacher forcing scheme (ITFS) under the dynamic re-weighted loss constraint (DRLC). The ITFS is designed to avoid error accumulation by injecting the fully-sampled data into the training process. The DRLC is proposed to dynamically balance the contributions from the reconstruction and segmentation sub-modules so as to co-prompt the multi-task accuracy. The proposed method has been evaluated on two open datasets and one in vivo in-house dataset and compared to six state-of-the-art methods. Results show that the proposed method possesses encouraging capabilities for simultaneous and accurate MR reconstruction and segmentation.
Abstract（参考訳）: 磁気共鳴(MR)再構成によるノイズ、アーティファクト、情報の喪失は、下流アプリケーションの最終性能を損なう可能性がある。本稿では,既存のビッグデータから事前知識を学習するマルチタスク深層学習手法を開発し,これらの知識を用いて,アンサンプリングk空間データからのmr再構成とセグメンテーションの同時支援を行う。マルチタスク深層学習フレームワークは,動的再重み付き損失制約 (DRLC) の下で設計した反復型教師強制スキーム (ITFS) によって統合・訓練された2つのネットワークサブモジュールを備える。 ITFSは、完全にサンプル化されたデータをトレーニングプロセスに注入することで、エラーの蓄積を避けるように設計されている。マルチタスクの精度を共プロパントするために,リコンストラクションとセグメンテーションサブモジュールからの貢献を動的にバランスさせるdrlcを提案する。提案手法は,2つのオープンデータセットと1つのin vivo内データセットを用いて評価し,6つの最先端手法と比較した。提案手法は,同時的かつ正確なMR再構成とセグメンテーションの促進機能を有することを示す。

関連論文リスト

Deep Unfolding Network with Spatial Alignment for multi-modal MRI reconstruction [17.41293135114323]
多モードMRI(Multi-modal Magnetic Resonance Imaging)は相補的な診断情報を提供するが、長い走査時間によっていくつかのモダリティが制限される。取得過程全体を高速化するため、高アンサンプされたk空間データから他の完全サンプリングされた参照モダリティへのMRI再構成は効率的な解である。モーダリティ間のミスアライメントを考慮に入れた既存のディープラーニングベースの手法は、パフォーマンスが向上するが、しかしながら2つの主要な共通制限を共有している。
論文参考訳（メタデータ） (2023-12-28T13:02:16Z)
CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
論文参考訳（メタデータ） (2023-11-22T09:27:46Z)
SelfCoLearn: Self-supervised collaborative learning for accelerating dynamic MR imaging [15.575332712603172]
本稿では, アンダーサンプされたk空間データから, 動的MR画像の正確な再構成を行うための自己教師付き協調学習フレームワーク(SelfCoLearn)を提案する。提案フレームワークは,2つのネットワーク協調学習,データ拡張のアンサンプ化,特別に設計された協調学習損失という,3つの重要なコンポーネントを備える。その結果,本手法は,アンダーサンプされたk空間データから,本質的,本質的表現を抽出する能力を持つことがわかった。
論文参考訳（メタデータ） (2022-08-08T04:01:26Z)
A theoretical framework for self-supervised MR image reconstruction using sub-sampling via variable density Noisier2Noise [0.0]
我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
論文参考訳（メタデータ） (2022-05-20T16:19:23Z)
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)
Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文参考訳（メタデータ） (2021-11-18T03:06:25Z)
Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文参考訳（メタデータ） (2021-09-26T06:09:56Z)
Multi-task Over-the-Air Federated Learning: A Non-Orthogonal Transmission Approach [52.85647632037537]
複数の学習タスクがエッジサーバ(ES)の協調の下でデータ収集および学習モデルのためのエッジデバイスを共有するマルチタスク・オーバーテア・フェデレーション・ラーニング(MOAFL)フレームワークを提案する。収束解析と数値計算の両方の結果から,MOAFLフレームワークは学習性能を著しく低下させることなく,複数のタスクのアップリンク帯域幅の消費を大幅に削減できることが示された。
論文参考訳（メタデータ） (2021-06-27T13:09:32Z)
One Network to Solve Them All: A Sequential Multi-Task Joint Learning Network Framework for MR Imaging Pipeline [12.684219884940056]
組み合わせたエンドツーエンドのパイプラインを訓練するために、連続的なマルチタスク共同学習ネットワークモデルが提案される。提案手法は,再構成とセグメント化の両面から,他のSOTA手法よりも優れた性能を示すMBBデータセット上で検証されている。
論文参考訳（メタデータ） (2021-05-14T05:55:27Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
論文参考訳（メタデータ） (2020-07-18T03:08:13Z)

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。