論文の概要: Scan-Specific MRI Reconstruction using Zero-Shot Physics-Guided Deep
Learning
- arxiv url: http://arxiv.org/abs/2102.07737v1
- Date: Mon, 15 Feb 2021 18:34:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:52:27.838623
- Title: Scan-Specific MRI Reconstruction using Zero-Shot Physics-Guided Deep
Learning
- Title(参考訳): Zero-Shot Physics-Guided Deep Learningを用いた走査型MRI再構成
- Authors: Burhaneddin Yaman, Seyed Amir Hossein Hosseini, Mehmet Ak\c{c}akaya
- Abstract要約: 物理誘導型ディープラーニング(PG-DL)はMRIの高速化のための強力なツールである。
最近の自己監督と教師なしの学習アプローチは、完全なサンプルデータなしでトレーニングを可能にします。
本研究では,スキャン特異的なPG-DL再構築を行うためのゼロショット自己監視学習手法を提案する。
- 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: Physics-guided deep learning (PG-DL) has emerged as a powerful tool for
accelerated MRI reconstruction, while often necessitating a database of
fully-sampled measurements for training. Recent self-supervised and
unsupervised learning approaches enable training without fully-sampled data.
However, a database of undersampled measurements may not be available in many
scenarios, especially for scans involving contrast or recently developed
sequences, necessitating new methodology for scan-specific PG-DL
reconstructions. A main challenge for developing scan-specific PG-DL methods is
the large number of parameters, making it prone to over-fitting. Moreover,
database-trained models may not generalize to unseen measurements that differ
in terms of SNR, image contrast or sampling pattern. In this work, we propose a
zero-shot self-supervised learning approach to perform scan-specific PG-DL
reconstruction to tackle these issues. The proposed approach splits available
measurements for each scan into three disjoint sets. Two of these sets are used
to enforce data consistency and define loss during training, while the last set
is used to establish an early stopping criterion. In the presence of models
pre-trained on a database, we show that the proposed approach can be adapted as
scan-specific fine-tuning via transfer learning to further improve
reconstruction quality.
- Abstract(参考訳): 物理学的ガイド付きディープラーニング(PG-DL)は、MRIの再構築を加速するための強力なツールとして登場しました。
最近の自己監督と教師なしの学習アプローチは、完全なサンプルデータなしでトレーニングを可能にします。
しかし、アンダーサンプル測定のデータベースは多くのシナリオでは利用できないかもしれない。特にコントラストや最近開発されたシーケンスを含むスキャンでは、スキャン固有のPG-DL再構成のための新しい手法が必要である。
スキャン固有のpg-dl法を開発する上での最大の課題はパラメータの多さである。
さらに、SNR、画像コントラスト、サンプリングパターンの点で異なる未知の測定に、データベースが学習したモデルは一般化できない。
本研究では,スキャン特異的なPG-DL再構築を行うためのゼロショット自己監督学習手法を提案する。
提案手法は、各スキャンの利用可能な測定値を3つの不一致セットに分割する。
これら2セットはデータの一貫性を強制し、トレーニング中に損失を定義するために使用され、最後のセットは早期停止基準を確立するために使用される。
データベース上で事前トレーニングされたモデルが存在する場合,提案手法はトランスファー・ラーニングによるスキャン固有の微調整に適応し,再構築の質をさらに向上できることを示す。
関連論文リスト
- Stable deep MRI reconstruction using Generative Priors [13.400444194036101]
データイメージペアを必要とせずに、参照画像の教師なし設定でトレーニングされた、新しいディープニューラルネットワークベースの正規化器を提案する。
本稿では、SotAのエンドツーエンドディープラーニング手法と競合する性能を示す並列磁気共鳴イメージングの手法を実証する。
論文 参考訳(メタデータ) (2022-10-25T08:34:29Z) - A theoretical framework for self-supervised MR image reconstruction
using sub-sampling via variable density Noisier2Noise [0.0]
我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。
サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
論文 参考訳(メタデータ) (2022-05-20T16:19:23Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳(メタデータ) (2022-04-13T12:43:12Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳(メタデータ) (2022-03-29T07:14:58Z) - Sparse-view Cone Beam CT Reconstruction using Data-consistent Supervised
and Adversarial Learning from Scarce Training Data [27.325532306485755]
利用可能なプロジェクションの数が減少するにつれて、従来の再建技術は不十分に機能する。
ディープラーニングベースの再構築は、十分なトレーニングデータが利用可能であればパフォーマンスが向上するので、アプリケーションにおいて多くの注目を集めています。
本研究は,CT投影数とトレーニングデータの両方が極端に限られている場合に,画像再構成に焦点をあてる。
論文 参考訳(メタデータ) (2022-01-23T17:08:52Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳(メタデータ) (2021-07-31T16:06:50Z) - Improved Supervised Training of Physics-Guided Deep Learning Image
Reconstruction with Multi-Masking [3.441021278275805]
提案したマルチマスク型PG-DLは,従来のPG-DL手法と比較して再構成性能を向上させる。
膝関節MRIでは,従来のPG-DL法と比較して,複数マスクのPG-DLによる再建性能が向上することが示唆された。
論文 参考訳(メタデータ) (2020-10-26T19:39:32Z) - Unsupervised MRI Reconstruction with Generative Adversarial Networks [14.253509181850502]
生成的対向ネットワークを用いた完全サンプリングデータのないMRI再構成のためのディープラーニングフレームワークを提案する。
提案手法を2つのシナリオで検証し, 高速スピンエコー膝試験と前向きアンサンプド腹部DCEの2つのシナリオについて検討した。
論文 参考訳(メタデータ) (2020-08-29T22:00:49Z) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳(メタデータ) (2020-08-16T13:38:41Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。
複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。
探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
論文 参考訳(メタデータ) (2020-01-08T17:37:01Z)
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。