論文の概要: Semi-Supervised Learning of Mutually Accelerated MRI Synthesis without
Fully-Sampled Ground Truths
- arxiv url: http://arxiv.org/abs/2011.14347v2
- Date: Wed, 12 May 2021 10:51:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 08:57:37.081894
- Title: Semi-Supervised Learning of Mutually Accelerated MRI Synthesis without
Fully-Sampled Ground Truths
- Title(参考訳): 完全サンプリングされた接地真実を伴わない相互加速MRI合成の半教師付き学習
- Authors: Mahmut Yurt, Salman Ul Hassan Dar, Muzaffer \"Ozbey, Berk T{\i}naz,
Kader Karl{\i} O\u{g}uz, Tolga \c{C}ukur
- Abstract要約: 学習に基づく合成マルチコントラストMRIでは、ソースコントラストとターゲットコントラストの高品質な画像を用いて訓練されたディープモデルが一般的である。
本稿では,ソースコントラストとターゲットコントラストの高速な取得から,高品質なターゲット画像を直接復元することを学ぶ,新たな半教師付き深層生成モデルを提案する。
- 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: Learning-based synthetic multi-contrast MRI commonly involves deep models
trained using high-quality images of source and target contrasts, regardless of
whether source and target domain samples are paired or unpaired. This results
in undesirable reliance on fully-sampled acquisitions of all MRI contrasts,
which might prove impractical due to limitations on scan costs and time. Here,
we propose a novel semi-supervised deep generative model that instead learns to
recover high-quality target images directly from accelerated acquisitions of
source and target contrasts. To achieve this, the proposed model introduces
novel multi-coil tensor losses in image, k-space and adversarial domains. These
selective losses are based only on acquired k-space samples, and randomized
sampling masks are used across subjects to capture relationships among acquired
and non-acquired k-space regions. Comprehensive experiments on multi-contrast
neuroimaging datasets demonstrate that our semi-supervised approach yields
equivalent performance to gold-standard fully-supervised models, while
outperforming a cascaded approach that learns to synthesize based on
reconstructions of undersampled data. Therefore, the proposed approach holds
great promise to improve the feasibility and utility of accelerated MRI
acquisitions mutually undersampled across both contrast sets and k-space.
- Abstract(参考訳): 学習ベースの合成マルチコントラストMRIは、ソースとターゲットのドメインサンプルがペアリングされているかペアリングされていないかに関わらず、ソースとターゲットのコントラストの高品質な画像を使用して訓練されたディープモデルを必要とする。
これにより、全MRIコントラストの完全サンプリングによる取得が望ましくないため、スキャンコストや時間に制限があるため、現実的でない可能性がある。
本稿では,ソースコントラストとターゲットコントラストの加速取得から直接高品質な対象画像の復元を学習する,新しい半教師付き深層生成モデルを提案する。
これを実現するために,提案モデルでは,画像,k空間,対向領域における新たなマルチコイルテンソル損失を導入した。
これらの選択的損失は、取得したk空間サンプルのみに基づいており、取得したk空間領域と取得されていないk空間領域の関係を捉えるために、被験者間でランダム化されたサンプリングマスクが使用される。
マルチコントラストニューロイメージングデータセットに関する包括的実験は、半教師付きアプローチがゴールド標準の完全教師付きモデルと同等のパフォーマンスをもたらすことを証明し、アンサンプリングされたデータの再構成に基づいて合成を学習するカスケード型アプローチよりも優れています。
そこで, 提案手法は, コントラストセットとk空間をまたいで相互にアンサンプされた加速MRI取得の実現可能性と有用性の向上に大きく貢献する。
関連論文リスト
- Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2024-03-06T08:35:29Z) - Universal Generative Modeling in Dual-domain for Dynamic MR Imaging [22.915796840971396]
我々は,高度にアンダーサンプリングされた測定値の再構成を行うために,k-spaceとDu-al-Domainコラボレーティブユニバーサル生成モデル(DD-UGM)を提案する。
より正確には、画像領域とk空間領域の両方の先行成分を普遍的な生成モデルで抽出し、これらの先行成分を適応的に処理し、より高速に処理する。
論文 参考訳(メタデータ) (2022-12-15T03:04:48Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳(メタデータ) (2022-10-25T08:34:29Z) - JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network
for Multi-contrast MRI [49.29851365978476]
提案フレームワークは,各画像コントラストに対するサンプリングマスク生成器と,コントラスト間相関と繰り返し構造とを併用した再構成器とから構成される。
各画像コントラストの加速度比も学習可能であり、下流タスク性能によって駆動することができる。
論文 参考訳(メタデータ) (2022-10-22T20:46:56Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳(メタデータ) (2021-08-12T08:46:35Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳(メタデータ) (2021-05-15T02:01:21Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - Learning Sampling and Model-Based Signal Recovery for Compressed Sensing
MRI [30.838990115880197]
圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。
タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。
高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
論文 参考訳(メタデータ) (2020-04-22T12:50:03Z) - 1D Probabilistic Undersampling Pattern Optimization for MR Image
Reconstruction [3.46218629010647]
本稿では,MR画像再構成のためのクロスドメインネットワークを,限られたサンプリングレートで,振り返りデータ駆動方式で提案する。
本手法は,学習データの種類に合わせて最適なアンダーサンプリングパターン(k空間)と再構成モデルを同時に得ることができる。
論文 参考訳(メタデータ) (2020-03-08T15:15:37Z)
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。