論文の概要: ReconResNet: Regularised Residual Learning for MR Image Reconstruction
of Undersampled Cartesian and Radial Data
- arxiv url: http://arxiv.org/abs/2103.09203v1
- Date: Tue, 16 Mar 2021 17:24:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-03-17 13:18:47.450245
- Title: ReconResNet: Regularised Residual Learning for MR Image Reconstruction
of Undersampled Cartesian and Radial Data
- Title（参考訳）: reconresnet:アンサンプされたデカルトおよびラジアルデータのmr画像再構成のための正規化残差学習
- Authors: Soumick Chatterjee, Mario Breitkopf, Chompunuch Sarasaen, Hadya
Yassin, Georg Rose, Andreas N\"urnberger and Oliver Speck
- Abstract要約: データの一部(アンダーサンプリング)を無視して取得速度を上げることができる
これにより、解像度の低下や画像アーティファクトの導入など、画質が劣化する。
深層学習は研究の非常に重要な分野として現れ、逆問題の解決に大きな可能性を示してきました。
- 参考スコア（独自算出の注目度）: 0.3694429692322631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MRI is an inherently slow process, which leads to long scan time for
high-resolution imaging. The speed of acquisition can be increased by ignoring
parts of the data (undersampling). Consequently, this leads to the degradation
of image quality, such as loss of resolution or introduction of image
artefacts. This work aims to reconstruct highly undersampled Cartesian or
radial MR acquisitions, with better resolution and with less to no artefact
compared to conventional techniques like compressed sensing. In recent times,
deep learning has emerged as a very important area of research and has shown
immense potential in solving inverse problems, e.g. MR image reconstruction. In
this paper, a deep learning based MR image reconstruction framework is
proposed, which includes a modified regularised version of ResNet as the
network backbone to remove artefacts from the undersampled image, followed by
data consistency steps that fusions the network output with the data already
available from undersampled k-space in order to further improve reconstruction
quality. The performance of this framework for various undersampling patterns
has also been tested, and it has been observed that the framework is robust to
deal with various sampling patterns, even when mixed together while training,
and results in very high quality reconstruction, in terms of high SSIM (highest
being 0.990$\pm$0.006 for acceleration factor of 3.5), while being compared
with the fully sampled reconstruction. It has been shown that the proposed
framework can successfully reconstruct even for an acceleration factor of 20
for Cartesian (0.968$\pm$0.005) and 17 for radially (0.962$\pm$0.012) sampled
data. Furthermore, it has been shown that the framework preserves brain
pathology during reconstruction while being trained on healthy subjects.
- Abstract（参考訳）: MRIは本質的に遅いプロセスであり、高解像度画像の長時間のスキャンに繋がる。
データの一部(アンダーサンプリング)を無視して取得速度を上げることができる。
これにより、解像度の低下や画像アーティファクトの導入など、画質の低下につながる。
本研究の目的は,高度にアンサンプされたカルテシアンまたはラジアルMRの取得を,圧縮センシングのような従来の技術に比べて高解像度で再現することである。
近年では、ディープラーニングが研究の非常に重要な領域として現れ、逆問題(例えば、逆問題)を解く大きな可能性を示している。
mr画像再構成。
本稿では,ネットワークバックボーンとしてResNetの正規化バージョンを改良し,アンダーサンプル画像からアーティファクトを除去する,深層学習に基づくMR画像再構成フレームワークを提案する。
様々なアンダーサンプリングパターンに対するこのフレームワークの性能もテストされており、トレーニング中に混合しても様々なサンプリングパターンを処理するのに頑健であり、高いssim(加速係数 3.5 の 0.990$\pm$0.006 が最も高い)という観点で、完全なサンプル再構成と比較しながら、非常に高品質な再構築が行われることが観察されている。
提案手法は, カルテシアン (0.968$\pm$0.005) とラジアル (0.962$\pm$0.012) のデータに対して 20 の加速係数に対しても, 正常に再構成可能であることが示されている。
さらに,健常者を対象にトレーニングを行いながら,再建中の脳病理を保存できることが示されている。
関連論文リスト
- CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Invertible Sharpening Network for MRI Reconstruction Enhancement [17.812760964428165]
InvSharpNet(InvSharpNet)は,MRI再建の視覚的品質を改善するために提案される。
入力データを地上の真実にマッピングする従来の方法とは異なり、InvSharpNetは、ぼやけた変換を学ぶための後方トレーニング戦略を適用している。
さまざまなMRIデータセットの実験では、InvSharpNetはアーティファクトの少ない再構築シャープネスを改善することができる。
論文 参考訳（メタデータ） (2022-06-06T18:21:48Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳（メタデータ） (2022-03-08T02:25:38Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - Single-pass Object-adaptive Data Undersampling and Reconstruction for
MRI [6.599344783327054]
本稿では,畳み込みニューラルネットワークMNetを用いたデータ駆動型サンプリング手法を提案する。
ネットワークは、各オブジェクトに対する非常に限られた低周波k空間データを観測し、所望のアンダーサンプリングパターンを迅速に予測する。
高速MRI膝関節データセットの実験結果から,提案した学習アンダーサンプリングネットワークを用いて,4倍,8倍の加速度で物体特異的マスクを生成できることが示された。
論文 参考訳（メタデータ） (2021-11-17T16:06:06Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - 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) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - Joint reconstruction and bias field correction for undersampled MR
imaging [7.409376558513677]
k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。
ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。
本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
論文 参考訳（メタデータ） (2020-07-26T12:58:34Z) - Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI
Acquisition [19.422926534305837]
本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。
具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。
ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
論文 参考訳（メタデータ） (2020-01-13T19:01:17Z)
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。