Fugu-MT 論文翻訳(概要): CycleQSM: Unsupervised QSM Deep Learning using Physics-Informed CycleGAN

論文の概要: CycleQSM: Unsupervised QSM Deep Learning using Physics-Informed CycleGAN

arxiv url: http://arxiv.org/abs/2012.03842v1
Date: Mon, 7 Dec 2020 16:46:15 GMT
ステータス: 処理完了
システム内更新日: 2021-05-18 09:32:17.824835
Title: CycleQSM: Unsupervised QSM Deep Learning using Physics-Informed CycleGAN
Title（参考訳）: CycleQSM:物理インフォームドサイクロンを用いた教師なしQSMディープラーニング
Authors: Gyutaek Oh, Hyokyoung Bae, Hyun-Seo Ahn, Sung-Hong Park, and Jong Chul Ye
Abstract要約: 物理インフォームドサイクルGANを用いた教師なしQSM深層学習手法を提案する。従来のサイクルGANとは対照的に、私たちの新しいサイクルGANは既知の双極子カーネルのおかげで1つの発電機と1つの識別器しか持っていません。実験の結果,提案手法は既存の深層学習手法と比較して,より正確な QSM マップを提供することがわかった。
参考スコア（独自算出の注目度）: 23.80331349122883
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantitative susceptibility mapping (QSM) is a useful magnetic resonance imaging (MRI) technique which provides spatial distribution of magnetic susceptibility values of tissues. QSMs can be obtained by deconvolving the dipole kernel from phase images, but the spectral nulls in the dipole kernel make the inversion ill-posed. In recent times, deep learning approaches have shown a comparable QSM reconstruction performance as the classic approaches, despite the fast reconstruction time. Most of the existing deep learning methods are, however, based on supervised learning, so matched pairs of input phase images and the ground-truth maps are needed. Moreover, it was reported that the supervised learning often leads to underestimated QSM values. To address this, here we propose a novel unsupervised QSM deep learning method using physics-informed cycleGAN, which is derived from optimal transport perspective. In contrast to the conventional cycleGAN, our novel cycleGAN has only one generator and one discriminator thanks to the known dipole kernel. Experimental results confirm that the proposed method provides more accurate QSM maps compared to the existing deep learning approaches, and provide competitive performance to the best classical approaches despite the ultra-fast reconstruction.
Abstract（参考訳）: 定量的感受性マッピング(QSM)は、組織の磁気感受性値の空間分布を提供する有用な磁気共鳴イメージング(MRI)技術である。 QSMは、位相像から双極子核を分離することで得るが、双極子核のスペクトルヌルは逆転を不正にする。近年のディープラーニング手法は、高速な再構築時間にもかかわらず、古典的なアプローチと同等のQSM再構成性能を示している。しかし,既存の深層学習手法の多くは教師付き学習に基づいているため,入力位相画像と接地トラスマップのマッチングが必要である。さらに,教師付き学習がQSM値の過小評価につながることが報告された。そこで本稿では,最適移動度の観点から導出される物理式サイクガンを用いた教師なしqsm深層学習法を提案する。従来のサイクルGANとは対照的に、新しいサイクルGANは既知の双極子カーネルのおかげで1つのジェネレータと1つの識別器しか持たない。実験の結果,本手法は既存の深層学習法に比べて高精度なqsmマップを提供し,超高速復元にもかかわらず最良な古典的手法に競争力をもたらすことがわかった。

関連論文リスト

KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文参考訳（メタデータ） (2024-07-18T05:48:24Z)
IR2QSM: Quantitative Susceptibility Mapping via Deep Neural Networks with Iterative Reverse Concatenations and Recurrent Modules [14.228884847425011]
深層学習に基づくQSM再構成のための新しいIR2QSM法を提案する。リバースコンカニオンとミドルリカレントモジュール拡張U-netを4回繰り返して設計する。 IR2QSMを従来のアルゴリズムや最先端のディープラーニング手法と比較するためのシミュレーションおよびin vivo実験を行った。
論文参考訳（メタデータ） (2024-06-18T06:17:45Z)
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)
Affine Transformation Edited and Refined Deep Neural Network for Quantitative Susceptibility Mapping [10.772763441035945]
定量的サセプティビリティマッピング(QSM)のための、エンドツーエンドのAFfine Transformation Edited and Refined (AFTER)ディープニューラルネットワークを提案する。任意の取得方向と空間分解能が最大0.6mm等方性に対して最も高い。
論文参考訳（メタデータ） (2022-11-25T07:54:26Z)
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)
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)
Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文参考訳（メタデータ） (2021-06-15T05:30:17Z)
Learning Neural Network Quantum States with the Linear Method [0.0]
本手法は,複雑な値を持つニューラルネットワーク量子状態の最適化に有効であることを示す。我々は、LMを最先端のSRアルゴリズムと比較し、LMが収束のために最大で1桁の繰り返しを必要とすることを発見した。
論文参考訳（メタデータ） (2021-04-22T12:18:33Z)
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)
MoG-QSM: Model-based Generative Adversarial Deep Learning Network for Quantitative Susceptibility Mapping [10.898053030099023]
本稿では,正規化項を学習するために,生成型逆ネットワークの利点を生かしたモデルベースフレームワークを提案する。最小二乗(LS)GANとL1コストの混合を併用した残差ネットワークを発電機として訓練し,先行情報を学習した。 MoG-QSMは単方向位相マップから高精度な感受性マップを生成する。
論文参考訳（メタデータ） (2021-01-21T02:52:05Z)
Learned Proximal Networks for Quantitative Susceptibility Mapping [9.061630971752464]
本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
論文参考訳（メタデータ） (2020-08-11T22:35:24Z)

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。