論文の概要: An End-To-End-Trainable Iterative Network Architecture for Accelerated
Radial Multi-Coil 2D Cine MR Image Reconstruction
- arxiv url: http://arxiv.org/abs/2102.00783v1
- Date: Mon, 1 Feb 2021 11:42:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 17:14:59.196164
- Title: An End-To-End-Trainable Iterative Network Architecture for Accelerated
Radial Multi-Coil 2D Cine MR Image Reconstruction
- Title(参考訳): 高速ラジアルマルチコイル2次元シネmr画像再構成のためのエンド・ツー・エンド訓練型反復ネットワークアーキテクチャ
- Authors: Andreas Kofler, Markus Haltmeier, Tobias Schaeffter and Christoph
Kolbitsch
- Abstract要約: 我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。
提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
- 参考スコア(独自算出の注目度): 4.233498905999929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Iterative Convolutional Neural Networks (CNNs) which resemble
unrolled learned iterative schemes have shown to consistently deliver
state-of-the-art results for image reconstruction problems across different
imaging modalities. However, because these methodes include the forward model
in the architecture, their applicability is often restricted to either
relatively small reconstruction problems or to problems with operators which
are computationally cheap to compute. As a consequence, they have so far not
been applied to dynamic non-Cartesian multi-coil reconstruction problems.
Methods: In this work, we propose a CNN-architecture for image reconstruction
of accelerated 2D radial cine MRI with multiple receiver coils. The network is
based on a computationally light CNN-component and a subsequent conjugate
gradient (CG) method which can be jointly trained end-to-end using an efficient
training strategy. We investigate the proposed training-strategy and compare
our method to other well-known reconstruction techniques with learned and
non-learned regularization methods. Results: Our proposed method outperforms
all other methods based on non-learned regularization. Further, it performs
similar or better than a CNN-based method employing a 3D U-Net and a method
using adaptive dictionary learning. In addition, we empirically demonstrate
that even by training the network with only iteration, it is possible to
increase the length of the network at test time and further improve the
results. Conclusions: End-to-end training allows to highly reduce the number of
trainable parameters of and stabilize the reconstruction network. Further,
because it is possible to change the length of the network at test time, the
need to find a compromise between the complexity of the CNN-block and the
number of iterations in each CG-block becomes irrelevant.
- Abstract(参考訳): 目的: 学習反復スキームに類似した反復畳み込みニューラルネットワーク (CNN) は, 画像再構成問題に対して, 様々な画像モダリティをまたがって常に最先端の結果をもたらすことを示した。
しかし、これらの手法はアーキテクチャのフォワードモデルを含むため、比較的小さな再構成問題や計算コストの低い演算子の問題に適用性に制限されることが多い。
その結果, 動的非カルト的マルチコイル再構成問題には適用されていない。
本研究では,複数の受信コイルを有する加速型2次元ラジアルシネMRIの画像再構成のためのCNN-Architectureを提案する。
このネットワークは、計算で軽量なCNNコンポーネントと、効率的なトレーニング戦略を使用してエンドツーエンドで共同トレーニングできるその後の共役グラデーション(CG)方法に基づいています。
提案した訓練戦略を検討し,学習と非学習の正規化手法を用いて,他のよく知られた再建手法と比較した。
結果: 提案手法は非学習正規化に基づく他の手法よりも優れていた。
さらに、3D U-Netを用いたCNNベースの手法と適応辞書学習を用いた手法とを類似または良好に行う。
また,反復のみを用いてネットワークをトレーニングしても,テスト時間内にネットワークの長さを増加させ,結果をさらに改善できることを実証的に実証する。
結論: エンドツーエンドのトレーニングは、再構成ネットワークのトレーニング可能なパラメータの数を大幅に削減し、安定化します。
さらに、テスト時にネットワークの長さを変更することができるため、CNNブロックの複雑さと各CGブロックの反復数との間に妥協を見つける必要性は無関係になります。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳(メタデータ) (2024-04-15T06:01:48Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳(メタデータ) (2023-07-20T16:00:19Z) - A Domain Decomposition-Based CNN-DNN Architecture for Model Parallel Training Applied to Image Recognition Problems [0.0]
モデル並列トレーニング戦略を自然にサポートする新しいCNN-DNNアーキテクチャを提案する。
提案手法は,グローバルモデルと比較して,必要なトレーニング時間を著しく短縮することができる。
その結果,提案手法は,基礎となる分類問題の精度向上にも有効であることが示唆された。
論文 参考訳(メタデータ) (2023-02-13T18:06:59Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - Convolutional Dictionary Learning by End-To-End Training of Iterative
Neural Networks [3.6280929178575994]
本研究では,教師付きおよび物理情報を用いたオンライン畳み込み辞書学習アルゴリズムとして利用可能な INN を構築する。
提案手法は,従来の2つのモデルに依存しない訓練法よりも改善され,深い INN と比較して競争結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-09T12:15:38Z) - Convolutional Analysis Operator Learning by End-To-End Training of
Iterative Neural Networks [3.6280929178575994]
本稿では、反復ニューラルネットワークのエンドツーエンドトレーニングにより、畳み込みスペーシングフィルタを効率的に学習する方法を示す。
我々は,非カルテシアン2次元心血管MRI例に対するアプローチを検証し,得られたフィルタが,デカップリングプレトレーニングにより得られたものよりも,対応する再構成アルゴリズムに適していることを示した。
論文 参考訳(メタデータ) (2022-03-04T07:32:16Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-04T08:52:46Z) - Self-Organized Operational Neural Networks for Severe Image Restoration
Problems [25.838282412957675]
畳み込みニューラルネットワーク(CNN)に基づく離散学習は、ノイズとクリーンのイメージペアのトレーニング例から学習することで、画像復元を行うことを目的としている。
これは畳み込みに基づく変換の本質的な線形性によるものであり、深刻な復元問題に対処するには不十分である。
画像復元のための自己組織型ONN(Self-ONN)を提案する。
論文 参考訳(メタデータ) (2020-08-29T02:19:41Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳(メタデータ) (2020-08-26T17:59:36Z) - When to Use Convolutional Neural Networks for Inverse Problems [40.60063929073102]
本稿では,畳み込みニューラルネットワークを,畳み込みスパース符号問題に対する近似解とみなすことができることを示す。
ある種の逆問題に対して、CNN近似は性能の低下につながると論じる。
具体的には、JPEGアーチファクトの低減と非剛性軌道再構成をCNNの逆問題として同定する。
論文 参考訳(メタデータ) (2020-03-30T21:08:14Z)
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。