Fugu-MT 論文翻訳(概要): On Instabilities of Conventional Multi-Coil MRI Reconstruction to Small Adverserial Perturbations

論文の概要: On Instabilities of Conventional Multi-Coil MRI Reconstruction to Small Adverserial Perturbations

arxiv url: http://arxiv.org/abs/2102.13066v1
Date: Thu, 25 Feb 2021 18:27:51 GMT
ステータス: 処理完了
システム内更新日: 2021-02-26 13:52:25.289861
Title: On Instabilities of Conventional Multi-Coil MRI Reconstruction to Small Adverserial Perturbations
Title（参考訳）: 従来型多コイルMRIの微小逆動に対する不安定性について
Authors: Chi Zhang, Jinghan Jia, Burhaneddin Yaman, Steen Moeller, Sijia Liu, Mingyi Hong, Mehmet Ak\c{c}akaya
Abstract要約: マルチコイル獲得に対する小規模の敵意攻撃による不安定性について検討する。その結果,並列イメージングとマルチコイルCSは,小さな逆乱に対してかなりの不安定性を示すことが示唆された。
参考スコア（独自算出の注目度）: 39.48254054941218
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Although deep learning (DL) has received much attention in accelerated MRI, recent studies suggest small perturbations may lead to instabilities in DL-based reconstructions, leading to concern for their clinical application. However, these works focus on single-coil acquisitions, which is not practical. We investigate instabilities caused by small adversarial attacks for multi-coil acquisitions. Our results suggest that, parallel imaging and multi-coil CS exhibit considerable instabilities against small adversarial perturbations.
Abstract（参考訳）: 深層学習(DL)はMRIの高速化に多くの注目を集めているが,近年の研究では,小さな摂動がDLベースの再建の不安定を招き,臨床応用への懸念が高まっている。しかし、これらの仕事は、実用的ではないシングルコイルの取得に焦点を当てています。マルチコイル獲得に対する小規模の敵意攻撃による不安定性について検討する。その結果,並列イメージングとマルチコイルCSは,小さな逆乱に対してかなりの不安定性を示すことが示唆された。

関連論文リスト

Layer-Aware Analysis of Catastrophic Overfitting: Revealing the Pseudo-Robust Shortcut Dependency [61.394997313144394]
カタストロフィックオーバーフィッティング(CO)は単段階逆行訓練(AT)において重要な課題となるまた,CO中において,前層はより感受性が高く,より早く,より歪みが強く,後者層は相対的不感度を示した。提案手法であるLayer-Aware Adversarial Weight Perturbation (LAP)は,COを効果的に防止し,ロバスト性を高める。
論文参考訳（メタデータ） (2024-05-25T14:56:30Z)
Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文参考訳（メタデータ） (2023-09-22T14:02:22Z)
Compound Attention and Neighbor Matching Network for Multi-contrast MRI Super-resolution [7.197850827700436]
MRIのマルチコントラスト超解像は、シングルイメージ超解像よりも優れた結果が得られる。マルチコントラストMRI SRのための合成アテンションと近接マッチング(CANM-Net)を備えた新しいネットワークアーキテクチャを提案する。 CANM-Netは、ふりかえりと将来の実験において最先端のアプローチより優れている。
論文参考訳（メタデータ） (2023-07-05T09:44:02Z)
SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields [71.84366290195487]
神経減衰場を学習し,スパースビューCBCT再構成のためのSNAFを提案する。提案手法は,入力ビューが20程度しかなく,高再生品質(30以上のPSNR)で優れた性能を実現する。
論文参考訳（メタデータ） (2022-11-30T14:51:14Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Faster Diffusion Cardiac MRI with Deep Learning-based breath hold reduction [7.559996316671546]
DT-CMRは、生体内および非侵襲的に心筋内の心筋細胞の微細構造を調査することができる。 DT-CMRは現在非効率であり、単一の2D静的画像を取得するのに6分以上かかる。本稿では,DT-CMRデータセットの生成に必要な繰り返し数を削減し,その後にノイズを除去することを提案する。
論文参考訳（メタデータ） (2022-06-21T17:17:00Z)
Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文参考訳（メタデータ） (2021-02-12T18:08:14Z)
Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
論文参考訳（メタデータ） (2020-10-30T19:26:14Z)
Deep Attentive Wasserstein Generative Adversarial Networks for MRI Reconstruction with Recurrent Context-Awareness [5.474237208776356]
圧縮センシングベースMRI(CS-MRI)の再生性能は,その遅い反復法とノイズによるアーチファクトの影響を受けている。本稿では,WGAN(Wasserstein Generative Adversarial Networks)とリカレントニューラルネットワーク(Recurrent Neural Networks)を結合することにより,逐次MRIスライス間の関係をフル活用する,深層学習に基づくCS-MRI再構成手法を提案する。
論文参考訳（メタデータ） (2020-06-23T11:50:21Z)
Review: Noise and artifact reduction for MRI using deep learning [0.0]
本研究の目的は、MRIの深層学習によるノイズとアーチファクトの低減を更に検討することである。ディープラーニングは、堅牢なMR画像処理を実現するための機械学習アプローチとして、かなりの注目を集めている。
論文参考訳（メタデータ） (2020-02-28T17:50:21Z)

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。