論文の概要: Reconstruction and Segmentation of Parallel MR Data using Image Domain DEEP-SLR

• arxiv url: http://arxiv.org/abs/2102.01172v1
• Date: Mon, 1 Feb 2021 21:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-03 17:52:54.901090
• Title: Reconstruction and Segmentation of Parallel MR Data using Image Domain DEEP-SLR
• Title（参考訳）: Image Domain DEEP-SLRによる並列MRデータの再構成とセグメント化
• Authors: Aniket Pramanik, Mathews Jacob
• Abstract要約: 我々は、アンダーサンプリングされたPMRIデータのキャリブレーションレスリカバリのための画像ドメインディープネットワークを提案する。 分割誤りを最小限に抑えるため,提案手法を分割ネットワークと組み合わせ,エンドツーエンドで学習した。 分割誤差の低減に加えて,オーバーフィッティングの低減による再構成性能の向上も実現している。
• 参考スコア（独自算出の注目度）: 25.077510176642807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The main focus of this work is a novel framework for the joint reconstruction and segmentation of parallel MRI (PMRI) brain data. We introduce an image domain deep network for calibrationless recovery of undersampled PMRI data. The proposed approach is the deep-learning (DL) based generalization of local low-rank based approaches for uncalibrated PMRI recovery including CLEAR [6]. Since the image domain approach exploits additional annihilation relations compared to k-space based approaches, we expect it to offer improved performance. To minimize segmentation errors resulting from undersampling artifacts, we combined the proposed scheme with a segmentation network and trained it in an end-to-end fashion. In addition to reducing segmentation errors, this approach also offers improved reconstruction performance by reducing overfitting; the reconstructed images exhibit reduced blurring and sharper edges than independently trained reconstruction network.
• Abstract（参考訳）: この研究の主な焦点は、並列MRI(PMRI)脳データの共同再構成と分割のための新しいフレームワークである。 画像領域深層ネットワークの導入により,PMRIデータのキャリブレーションレスリカバリを実現した。 提案されたアプローチは, CLEAR [6] を含む非補正 PMRI 回復のための局所低ランクアプローチの深層学習 (DL) に基づく一般化である。 画像領域アプローチは、k空間ベースのアプローチと比較して、余分な消滅関係を利用するため、性能改善が期待できる。 アーティファクトのアンサンプリングによるセグメンテーションエラーを最小限に抑えるため,提案手法をセグメンテーションネットワークと組み合わせ,エンドツーエンドでトレーニングした。 この手法は、セグメンテーションエラーの低減に加えて、オーバーフィットの低減による再構築性能の向上も実現し、再構成された画像は、独立して訓練された再構築ネットワークよりもぼやけやシャープなエッジを減少させる。

関連論文リスト

• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and Unsupervised Learning [13.17680480211064]
  X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。 提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。 限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-19T20:23:59Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Structure-Preserving Image Super-Resolution [94.16949589128296]
  単一画像超解像(SISR)の構造 近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。 しかし、回収された画像にはいまだ望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2021-09-26T08:48:27Z)
• 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)
• Joint Calibrationless Reconstruction and Segmentation of Parallel MRI [21.227526213206545]
  キャリブレーションレス並列MRI再構成のための新しい画像領域深層学習フレームワークを提案する。 提案した画像領域の深いキャリブレーションレスアプローチとセグメンテーションアルゴリズムの組み合わせにより,画質が向上した。 提案されている数ショットのトレーニング戦略では、パフォーマンス向上のためにセグメント化されたデータセットの10%しか必要としない。
  論文  参考訳（メタデータ） (2021-05-19T16:04:20Z)
• 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)
• Limited View Tomographic Reconstruction Using a Deep Recurrent Framework with Residual Dense Spatial-Channel Attention Network and Sinogram Consistency [25.16002539710169]
  本稿では,同じブロックを複数回積み重ねる新しい繰り返し再構成フレームワークを提案する。 本研究では, 再帰的なブロックの中間出力のシングラムと一致するように, リカレント・フレームワークにインターリーブされたシングラム整合層を構築した。 本アルゴリズムは, 狭角化と狭角化の両面において, 既存の最先端のニューラル手法よりも一貫した, 顕著な改善を実現している。
  論文  参考訳（メタデータ） (2020-09-03T16:39:48Z)
• Joint reconstruction and bias field correction for undersampled MR imaging [7.409376558513677]
  k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。 ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。 本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-07-26T12:58:34Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。