論文の概要: Memory-efficient Learning for High-Dimensional MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2103.04003v1
• Date: Sat, 6 Mar 2021 01:36:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:21:45.163775
• Title: Memory-efficient Learning for High-Dimensional MRI Reconstruction
• Title（参考訳）: 高次元MRI再構成のためのメモリ効率学習
• Authors: Ke Wang, Michael Kellman, Christopher M. Sandino, Kevin Zhang, Shreyas S. Vasanawala, Jonathan I. Tamir, Stella X. Yu, Michael Lustig
• Abstract要約: メモリ効率の高い学習フレームワーク (MEL) を用いたin-vivo 3D MRI および 2D+time 心シネMRI の画像再構成性能の改善を示す。 MELはGPUメモリをはるかに少なくし、トレーニング時間を大幅に短縮し、高次元MRIへのDLの新しいアプリケーションを可能にします。
• 参考スコア（独自算出の注目度）: 20.81538631727325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) based unrolled reconstructions have shown state-of-the-art performance for under-sampled magnetic resonance imaging (MRI). Similar to compressed sensing, DL can leverage high-dimensional data (e.g. 3D, 2D+time, 3D+time) to further improve performance. However, network size and depth are currently limited by the GPU memory required for backpropagation. Here we use a memory-efficient learning (MEL) framework which favorably trades off storage with a manageable increase in computation during training. Using MEL with multi-dimensional data, we demonstrate improved image reconstruction performance for in-vivo 3D MRI and 2D+time cardiac cine MRI. MEL uses far less GPU memory while marginally increasing the training time, which enables new applications of DL to high-dimensional MRI.
• Abstract（参考訳）: 深層学習(DL)をベースとした画像再構成は,MRI(Under-sampled magnetic resonance imaging)の最先端性能を示している。 圧縮センシングと同様に、DLは高次元データ(例えば)を利用することができる。 さらに性能を改善する3D、2D+time、3D+time)。 しかし、現在のネットワークサイズと深さは、バックプロパゲーションに必要なGPUメモリによって制限されている。 ここでは、メモリ効率の学習(MEL)フレームワークを使用し、ストレージとトレーニング中の計算量の管理可能な増加とを良好に交換する。 多次元データを用いたMELを用いて、生体内3次元MRIと2次元+時間心血管MRIにおける画像再構成性能の向上を実証した。 MELはGPUメモリをはるかに少なくし、トレーニング時間を大幅に短縮し、高次元MRIへのDLの新しいアプリケーションを可能にします。

関連論文リスト

• Advancing MRI Reconstruction: A Systematic Review of Deep Learning and Compressed Sensing Integration [1.167578793004766]
  長期の取得は、患者の不快感、モーションアーティファクト、リアルタイムアプリケーションの制限につながる可能性がある。 深層学習(DL)はMRI再建のための強力なツールである。
  論文  参考訳（メタデータ） (2025-01-24T01:07:58Z)
• Lightplane: Highly-Scalable Components for Neural 3D Fields [54.59244949629677]
  Lightplane RenderとSplatterは2D-3Dマッピングにおけるメモリ使用量を大幅に削減した。 これらのイノベーションは、メモリと計算コストの少ない、はるかに高解像度で高解像度の画像の処理を可能にする。
  論文  参考訳（メタデータ） (2024-04-30T17:59:51Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
  3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。 本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。 効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
  論文  参考訳（メタデータ） (2023-02-24T15:26:31Z)
• Computationally Efficient 3D MRI Reconstruction with Adaptive MLP [12.796051051794024]
  現在の手法は主に、小さなカーネルを持つ畳み込みニューラルネットワーク(CNN)に基づいている。 本稿では,低周波再構成用CNNモジュールと大周波再構成用GPU(MLP)モジュールのハイブリッドとしてRecon3DMLPを提案する。
  論文  参考訳（メタデータ） (2023-01-21T02:58:51Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
  核磁気共鳴画像(MRI)における深層学習の驚くべき性能 最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。 我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
  論文  参考訳（メタデータ） (2021-12-09T06:39:55Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• KD-MRI: A knowledge distillation framework for image reconstruction and image restoration in MRI workflow [1.2599533416395765]
  本稿では,MRIワークフローにおける画像問題に対する知識蒸留(KD)フレームワークを提案する。 Cardiac,Brain,KneeのMRIデータセットを4倍,5倍,8倍の加速度で実験する。 Kneeデータセットでは、学生ネットワークは65%のパラメータ削減、2倍のCPU実行時間、1.5倍のGPU実行時間を達成する。
  論文  参考訳（メタデータ） (2020-04-11T06:21:28Z)

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。