論文の概要: Deep J-Sense: Accelerated MRI Reconstruction via Unrolled Alternating Optimization

• arxiv url: http://arxiv.org/abs/2103.02087v1
• Date: Tue, 2 Mar 2021 23:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-06 19:15:43.091011
• Title: Deep J-Sense: Accelerated MRI Reconstruction via Unrolled Alternating Optimization
• Title（参考訳）: Deep J-Sense: Unrolled Alternating OptimizationによるMRIの高速化
• Authors: Marius Arvinte, Sriram Vishwanath, Ahmed H. Tewfik, and Jonathan I. Tamir
• Abstract要約: 我々は,非ロール交代最小化に基づくディープラーニングアプローチとして,Deep J-Senseを紹介した。 我々のアルゴリズムは磁化(画像)カーネルとコイル感度マップの両方を改良する。 膝の高速MRIデータセットのサブセットに対する実験結果から,再建性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 23.328386107496105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerated multi-coil magnetic resonance imaging reconstruction has seen a substantial recent improvement combining compressed sensing with deep learning. However, most of these methods rely on estimates of the coil sensitivity profiles, or on calibration data for estimating model parameters. Prior work has shown that these methods degrade in performance when the quality of these estimators are poor or when the scan parameters differ from the training conditions. Here we introduce Deep J-Sense as a deep learning approach that builds on unrolled alternating minimization and increases robustness: our algorithm refines both the magnetization (image) kernel and the coil sensitivity maps. Experimental results on a subset of the knee fastMRI dataset show that this increases reconstruction performance and provides a significant degree of robustness to varying acceleration factors and calibration region sizes.
• Abstract（参考訳）: 高速マルチコイル磁気共鳴画像再構成は, 圧縮センシングと深層学習を併用して, 大幅に改善されている。 しかし、これらの方法はコイル感度プロファイルの推定やモデルパラメータの推定のためのキャリブレーションデータに依存する。 従来の研究では,これらの手法は,これらの推定値の品質が低い場合や,スキャンパラメータが訓練条件と異なる場合,性能が低下することが示されている。 本稿では、非ローリングの交互化に基づくディープラーニングアプローチとしてDeep J-Senseを導入し、ロバスト性を高める:我々のアルゴリズムは磁化(画像)カーネルとコイル感度マップの両方を洗練する。 膝の高速MRIデータセットのサブセットによる実験結果から, 再建性能が向上し, 加速度係数やキャリブレーション領域サイズにかなりのロバスト性が得られることがわかった。

関連論文リスト

• Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction [2.724485028696543]
  マルチコイルデータからクリーンでノイズのないMRI信号を生成するための,教師なし事前処理パイプラインを提案する。 プレコンディショニング技術と組み合わせることで,高品質なデータに対する堅牢なMRI再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:57Z)
• Deep Multi-contrast Cardiac MRI Reconstruction via vSHARP with Auxiliary Refinement Network [7.043932618116216]
  本稿では,2次元動的マルチコントラスト,マルチスキーム,マルチアクセラレーションMRIの深層学習に基づく再構成手法を提案する。 提案手法は,半2乗変数分割とADMM最適化を利用した最先端のvSHARPモデルを統合する。
  論文  参考訳（メタデータ） (2024-11-02T15:59:35Z)
• Inference Stage Denoising for Undersampled MRI Reconstruction [13.8086726938161]
  磁気共鳴画像(MRI)データの再構成は、ディープラーニングによって肯定的な影響を受けている。 重要な課題は、トレーニングとテストデータ間の分散シフトへの一般化を改善することだ。
  論文  参考訳（メタデータ） (2024-02-12T12:50:10Z)
• JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI with a Self-Calibrating Score-Based Diffusion Model [3.3053426917821134]
  アンダーサンプルMRI再構成のための動きパラメータとコイル感度マップを共同で推定する。 本手法は, 動きの影響を受けない, 疎サンプリングされたk空間データから, 高品質MRI画像の再構成を行うことができる。
  論文  参考訳（メタデータ） (2023-10-14T17:11:25Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
  k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。 訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
  論文  参考訳（メタデータ） (2021-08-17T17:45:51Z)
• 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)
• Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
  レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。 AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。 本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-21T14:49:00Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。