論文の概要: Zero-Shot Self-Supervised Learning for MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2102.07737v4
- Date: Wed, 29 Nov 2023 03:43:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 04:32:02.346822
- Title: Zero-Shot Self-Supervised Learning for MRI Reconstruction
- Title（参考訳）: MRI再構成のためのゼロショット自己監督学習
- Authors: Burhaneddin Yaman, Seyed Amir Hossein Hosseini, Mehmet Ak\c{c}akaya
- Abstract要約: そこで本研究では,ゼロショット型自己教師型学習手法を提案する。
提案手法は、単一のスキャンから利用可能な測定値を3つの解離集合に分割する。
画像特性の異なるデータベース上に事前学習されたモデルが存在する場合,提案手法は変換学習と組み合わせることで,より高速な収束時間と計算複雑性の低減を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 4.542616945567623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) has emerged as a powerful tool for accelerated MRI
reconstruction, but often necessitates 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 translational acquisitions in development. Moreover,
recent studies show that database-trained models may not generalize well when
the unseen measurements differ in terms of sampling pattern, acceleration rate,
SNR, image contrast, and anatomy. Such challenges necessitate a new methodology
to enable subject-specific DL MRI reconstruction without external training
datasets, since it is clinically imperative to provide high-quality
reconstructions that can be used to identify lesions/disease for \emph{every
individual}. In this work, we propose a zero-shot self-supervised learning
approach to perform subject-specific accelerated DL MRI reconstruction to
tackle these issues. The proposed approach partitions the available
measurements from a single scan into three disjoint sets. Two of these sets are
used to enforce data consistency and define loss during training for
self-supervision, while the last set serves to self-validate, establishing an
early stopping criterion. In the presence of models pre-trained on a database
with different image characteristics, we show that the proposed approach can be
combined with transfer learning for faster convergence time and reduced
computational complexity. The code is available at
\url{https://github.com/byaman14/ZS-SSL}.
- Abstract（参考訳）: ディープラーニング(DL)は、MRI再建を加速するための強力なツールとして登場したが、トレーニングのためには、完全にサンプリングされた測定のデータベースを必要とすることが多い。
最近の自己教師型および教師なし学習アプローチは、完全なサンプルデータなしでトレーニングを可能にする。
しかし、多くのシナリオでは、特にコントラストや翻訳による取得を含むスキャンでは、アンダーサンプル測定のデータベースは利用できない。
さらに, データベース学習モデルでは, サンプリングパターン, 加速度速度, snr, 画像コントラスト, 解剖学の点で見当たらない測定値が異なっても, 十分一般化できないことが示された。
このような課題は、外部のトレーニングデータセットを使わずに、対象特異的なDL MRI再構成を可能にするための新しい方法論を必要とする。
そこで本研究では,この課題に対処するために,被写体特異的加速型DL MRI再構成を行うゼロショット自己教師型学習手法を提案する。
提案手法は、単一のスキャンから利用可能な測定値を3つの解離集合に分割する。
これら2つのセットはデータの一貫性を強制し、自己監視のためのトレーニング中に損失を定義するために使用され、最後のセットは自己評価に役立ち、早期停止基準を確立する。
画像特性の異なるデータベース上で事前学習されたモデルが存在する場合,提案手法と転送学習を組み合わせることで,収束時間を短縮し,計算複雑性を低減できることを示す。
コードは \url{https://github.com/byaman14/zs-ssl} で入手できる。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - 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) - Unsupervised Adaptive Implicit Neural Representation Learning for
Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。
我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。
提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文 参考訳（メタデータ） (2023-12-01T16:00:16Z) - Joint Supervised and Self-supervised Learning for MRI Reconstruction [7.018974360061121]
Joint Supervised and Self-supervised Learning (JSSL)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。
JSSLは、ターゲットデータセットからのサブサンプルデータと教師付き学習方法で、完全にサンプル化された$k$-spaceデータを使用したデータセットを使用して、自己教師付き学習環境でモデルを同時にトレーニングすることによって動作する。
本研究は,画像品質指標を用いて,従来の自己監督手法よりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2023-11-27T14:23:36Z) - MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep
Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。
MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。
肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文 参考訳（メタデータ） (2023-10-03T12:19:19Z) - Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI
Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。
トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。
画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文 参考訳（メタデータ） (2023-02-18T06:11:49Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - 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) - 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) - High-Fidelity Accelerated MRI Reconstruction by Scan-Specific
Fine-Tuning of Physics-Based Neural Networks [3.1498833540989413]
高分解能MRIでは、長時間のスキャンが依然として課題である。
ディープラーニングは、データから直接学習されるデータ駆動型正規化器を提供することによって、MRIの再構築を加速する強力な手段として登場した。
本研究では,トランスファーラーニング手法を用いて,これらレギュレータを自己超越的手法を用いて新しい被験者に微調整する手法を提案する。
論文 参考訳（メタデータ） (2020-05-12T05:10:10Z)
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。