論文の概要: Model-based Reconstruction with Learning: From Unsupervised to Supervised and Beyond

• arxiv url: http://arxiv.org/abs/2103.14528v1
• Date: Fri, 26 Mar 2021 15:33:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:53:48.536771
• Title: Model-based Reconstruction with Learning: From Unsupervised to Supervised and Beyond
• Title（参考訳）: 学習によるモデルベース再構築:教師なしから監督外へ
• Authors: Zhishen Huang and Siqi Ye and Michael T. McCann and Saiprasad Ravishankar
• Abstract要約: 古典的モデルに基づく再構成手法を簡潔に議論し、モデルベースと学習ベースのパラダイムの交差点で再構成手法を詳細に検討する。 このレビューには、教師なし学習、監督なし学習に基づく多くの最近の方法、および複数のタイプの学習モデルを組み合わせるためのフレームワークが含まれています。
• 参考スコア（独自算出の注目度）: 8.847248042144681
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many techniques have been proposed for image reconstruction in medical imaging that aim to recover high-quality images especially from limited or corrupted measurements. Model-based reconstruction methods have been particularly popular (e.g., in magnetic resonance imaging and tomographic modalities) and exploit models of the imaging system's physics together with statistical models of measurements, noise and often relatively simple object priors or regularizers. For example, sparsity or low-rankness based regularizers have been widely used for image reconstruction from limited data such as in compressed sensing. Learning-based approaches for image reconstruction have garnered much attention in recent years and have shown promise across biomedical imaging applications. These methods include synthesis dictionary learning, sparsifying transform learning, and different forms of deep learning involving complex neural networks. We briefly discuss classical model-based reconstruction methods and then review reconstruction methods at the intersection of model-based and learning-based paradigms in detail. This review includes many recent methods based on unsupervised learning, and supervised learning, as well as a framework to combine multiple types of learned models together.
• Abstract（参考訳）: 医用画像の高画質化を目的とした画像再構成技術が多数提案されている。 モデルに基づく再構成法は特に人気があり(磁気共鳴イメージングやトモグラフィーのモダリティなど)、計測、ノイズ、しばしば比較的単純な物体の先行や正規化器の統計モデルとともに画像システムの物理モデルを利用する。 例えば、圧縮センシングなどの限られたデータからの画像再構成には、疎度や低ランクベースの正規化器が広く用いられている。 近年,画像再構成のための学習ベースのアプローチが注目され,バイオメディカルイメージングの応用が期待されている。 これらの手法には、合成辞書学習、スペーシング変換学習、複雑なニューラルネットワークを含む様々な形式のディープラーニングが含まれる。 古典的モデルに基づく再構築手法を簡潔に議論し,モデルに基づくパラダイムと学習に基づくパラダイムの交点における再構築方法を詳細に検討した。 このレビューには、教師なし学習と教師なし学習に基づく最近の多くの方法と、複数の学習モデルを組み合わせるためのフレームワークが含まれている。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Multi-Branch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction [42.95604565673447]
  本稿では,マルチブランチ生成モデルを用いた医用画像の相乗的再構築のための新しい手法を提案する。 我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の2つのデータセットに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2024-04-12T18:21:08Z)
• Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and Unsupervised Learning [13.17680480211064]
  X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。 提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。 限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-19T20:23:59Z)
• Artificial Intelligence-Based Image Reconstruction in Cardiac Magnetic Resonance [10.60359890890818]
  近年,医用画像再構成のためのAIと機械学習アルゴリズム,特にDeep Learning(DL)ベースの手法の利用が著しい成長を遂げている。 DLベースの画像再構成は、心画像の取得と再構成の方法を変えるための有望な機会を提供する。 本章では, 心磁気共鳴(CMR)画像再構成を中心に, DLを用いた心臓画像再構成技術の最近の進歩を概観する。
  論文  参考訳（メタデータ） (2022-09-21T12:13:18Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
  CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である 機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。 本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T05:41:12Z)
• LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT [17.168584459606272]
  LEARN++モデルは、2つの並列およびインタラクティブワークを統合して、画像と投影ドメインの両方で画像復元とシングラムインペインティング操作を同時に実行します。 その結果,learn++モデルは,アーティファクトの削減と細部保存の両面で,いくつかの最先端手法と比較して,競争力のある質的,定量的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T07:00:50Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• Multi-layer Residual Sparsifying Transform (MARS) Model for Low-dose CT Image Reconstruction [12.37556184089774]
  教師なしの方法で学習した新しい多層モデルに基づく画像再構成手法を開発した。 提案フレームワークは、画像の古典的スカラー化変換モデルを、Multi-lAyer Residual Sparsifying transform (MARS)モデルに拡張する。 限られた正規線量画像から教師なしの方法で層間変換を学習する効率的なブロック座標降下アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-10-10T09:04:43Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)

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。