論文の概要: Universal Undersampled MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2103.05214v1
- Date: Tue, 9 Mar 2021 04:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 14:48:14.990892
- Title: Universal Undersampled MRI Reconstruction
- Title（参考訳）: ユニバーサルアンダーサンプルMRI再構成
- Authors: Xinwen Liu, Jing Wang, Feng Liu, and S.Kevin Zhou
- Abstract要約: 下検体MRI再構成のための汎用深部ニューラルネットワークの学習フレームワークを提案する。
具体的には、統計シフトを補償し、新しいデータセットに容易に一般化できる解剖学的特異なインスタンス正規化を提案する。
実験の結果, 提案するユニバーサルモデルは, 高画質で脳と膝の画像を再構成できることがわかった。
- 参考スコア（独自算出の注目度）: 12.731566667990315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have been extensively studied for undersampled MRI
reconstruction. While achieving state-of-the-art performance, they are trained
and deployed specifically for one anatomy with limited generalization ability
to another anatomy. Rather than building multiple models, a universal model
that reconstructs images across different anatomies is highly desirable for
efficient deployment and better generalization. Simply mixing images from
multiple anatomies for training a single network does not lead to an ideal
universal model due to the statistical shift among datasets of various
anatomies, the need to retrain from scratch on all datasets with the addition
of a new dataset, and the difficulty in dealing with imbalanced sampling when
the new dataset is further of a smaller size. In this paper, for the first
time, we propose a framework to learn a universal deep neural network for
undersampled MRI reconstruction. Specifically, anatomy-specific instance
normalization is proposed to compensate for statistical shift and allow easy
generalization to new datasets. Moreover, the universal model is trained by
distilling knowledge from available independent models to further exploit
representations across anatomies. Experimental results show the proposed
universal model can reconstruct both brain and knee images with high image
quality. Also, it is easy to adapt the trained model to new datasets of smaller
size, i.e., abdomen, cardiac and prostate, with little effort and superior
performance.
- Abstract（参考訳）: 深部ニューラルネットワークは、下検体MRI再建のために広く研究されている。
最先端のパフォーマンスを達成する一方で、特定の解剖学を訓練し、他の解剖学に限定した一般化能力を持つ解剖学に展開する。
複数のモデルを構築するのではなく、異なる解剖学の画像を再構築する普遍的なモデルは、効率的な展開とより良い一般化のために非常に望ましいです。
単一のネットワークをトレーニングするための複数の解剖学からの画像を単純に混合することは、さまざまな解剖学のデータセット間の統計的シフト、新しいデータセットの追加によるすべてのデータセットのスクラッチから再トレーニングの必要性、新しいデータセットがさらに小さなサイズである場合に不均衡なサンプリングを扱うことの難しさによる理想的な普遍モデルにつながることはない。
本論文では,下検体MRI再構成のための普遍的深部ニューラルネットワークを学習する枠組みを初めて提案する。
具体的には、統計シフトを補償し、新しいデータセットに容易に一般化できる解剖学的特異なインスタンス正規化を提案する。
さらに、普遍モデルは、利用可能な独立したモデルから知識を蒸留し、解剖学的にまたがる表現をさらに活用することで訓練される。
実験の結果, 提案するユニバーサルモデルは, 高画質で脳と膝の画像を再構成できることがわかった。
また、トレーニングされたモデルをより小さなサイズ、すなわち腹部、心臓、前立腺といった新しいデータセットに、少ない努力と優れたパフォーマンスで適応することは容易である。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images [1.9029890402585894]
複数の解剖を同時にローカライズし、人口レベルの統計表現を推定し、画像空間内での形状表現を直接記述する新しいエンドツーエンドディープラーニングフレームワークであるMASSMを紹介する。
以上の結果から,マルチタスクネットワークを介して画像空間の解剖を記述し,複数の解剖処理を行うMASSMは,医用画像処理タスクのセグメンテーションネットワークよりも優れた形状情報を提供することがわかった。
論文 参考訳（メタデータ） (2024-03-16T20:16:37Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - Seeking Common Ground While Reserving Differences: Multiple Anatomy
Collaborative Framework for Undersampled MRI Reconstruction [49.16058553281751]
本稿では,解剖学的および解剖学的特化学習者による新しいMRI再構成フレームワークを提案する。
脳、膝、心臓のMRIデータセットの実験は、これらの学習者のうち3人が複数の解剖学的共同学習を通して再建性能を向上させることができることを示した。
論文 参考訳（メタデータ） (2022-06-15T08:19:07Z) - Transfer Learning Enhanced Generative Adversarial Networks for
Multi-Channel MRI Reconstruction [3.5765797841178597]
深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。
k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。
本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
論文 参考訳（メタデータ） (2021-05-17T21:28:00Z) - You Only Learn Once: Universal Anatomical Landmark Detection [8.116895827446088]
複数のランドマーク検出タスクを実現するための普遍的解剖学的ランドマーク検出モデルを開発した。
モデルは、ローカルネットワークとグローバルネットワークで構成されています。
我々は,頭部,手,胸部に1,588枚の画像のX線データセットを用いたYOLOモデルの評価を行い,62件のランドマークを収集した。
論文 参考訳（メタデータ） (2021-03-08T10:38:52Z) - Progressively Volumetrized Deep Generative Models for Data-Efficient
Contextual Learning of MR Image Recovery [0.0]
生成モデル(ProvoGAN)のための新しいプログレッシブボリューム化戦略を導入する。
ProvoGANは、複雑なボリューム画像復元タスクを、個別の直交次元にわたってタスク最適化された逐次断面積マッピングに分解する。
メインストリームのMRI再構成と合成タスクに関する総合的なデモでは、ProvoGANは最先端のボリュームモデルとクロスセクションモデルよりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2020-11-27T18:55:56Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。