論文の概要: Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks

• arxiv url: http://arxiv.org/abs/2101.02194v1
• Date: Wed, 6 Jan 2021 18:55:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 02:57:50.915746
• Title: Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks
• Title（参考訳）: Hypernetworks を用いた正規化圧縮型MRI画像再構成
• Authors: Alan Q. Wang, Adrian V. Dalca, Mert R. Sabuncu
• Abstract要約: 正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。 実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。 特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
• 参考スコア（独自算出の注目度）: 21.349071909858218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing under-sampled k-space measurements in Compressed Sensing MRI (CS-MRI) is classically solved with regularized least-squares. Recently, deep learning has been used to amortize this optimization by training reconstruction networks on a dataset of under-sampled measurements. Here, a crucial design choice is the regularization function(s) and corresponding weight(s). In this paper, we explore a novel strategy of using a hypernetwork to generate the parameters of a separate reconstruction network as a function of the regularization weight(s), resulting in a regularization-agnostic reconstruction model. At test time, for a given under-sampled image, our model can rapidly compute reconstructions with different amounts of regularization. We analyze the variability of these reconstructions, especially in situations when the overall quality is similar. Finally, we propose and empirically demonstrate an efficient and data-driven way of maximizing reconstruction performance given limited hypernetwork capacity. Our code is publicly available at https://github.com/alanqrwang/RegAgnosticCSMRI.
• Abstract（参考訳）: 圧縮センシングMRI(CS-MRI)におけるアンダーサンプリングk空間の再構成は、正規化最小二乗法により古典的に解決される。 近年、深層学習は、アンダーサンプル計測のデータセットに基づいて再構成ネットワークをトレーニングすることで、この最適化を改善している。 ここで重要な設計選択は正規化関数(s)と対応する重み(s)である。 本稿では,正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新たな戦略を探求し,正規化に依存しない再構築モデルを提案する。 実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。 特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。 最後に,ハイパーネットワーク容量を制限したリコンストラクション性能を最大化する効率的なデータ駆動方式を提案する。 私たちのコードはhttps://github.com/alanqrwang/RegAgnosticCSMRIで公開されています。

関連論文リスト

• End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI [6.875699572081067]
  適応型動的MRIサブサンプリングと再構成のための新しいエンドツーエンドフレームワークを提案する。 我々のパイプラインは、DLベースの適応サンプリング装置を統合し、ケース固有の動的サブサンプリングパターンを生成し、最先端の2D動的再構成ネットワークでエンドツーエンドに訓練する。 以上の結果から,特に高加速度での再現性は良好であった。
  論文  参考訳（メタデータ） (2024-03-15T14:31:35Z)
• LARO: Learned Acquisition and Reconstruction Optimization to accelerate Quantitative Susceptibility Mapping [24.665782241561185]
  Learned Acquisition and Reconstruction Optimization (LARO) は、定量的感受性マッピング(QSM)のためのマルチエコー勾配エコー(mGRE)パルスシーケンスを高速化することを目的としている。 提案手法では, 深部再構成ネットワークを用いて, モンテカルロマルチエコk空間サンプリングパターンを最適化する。 本研究は,最適化されたサンプリングパターンと提案した再構成戦略の両方が,マルチエコ画像再構成の品質向上に有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-01T20:04:29Z)
• 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)
• 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)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• 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)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• 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)
• 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)
• Neural Network-based Reconstruction in Compressed Sensing MRI Without Fully-sampled Training Data [17.415937218905125]
  CS-MRIは、アンダーサンプリングされたMR画像の再構成を約束している。 ニューラルネットワークで繰り返しをアンロールすることで、古典的なテクニックの反復性をモデル化するディープラーニングモデルが開発されている。 本稿では,古典的最適化方式で広く用いられている損失関数を応用して,非学習型再構成ネットワークを教師なしで訓練するための新しい戦略について検討する。
  論文  参考訳（メタデータ） (2020-07-29T17:46:55Z)

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。