論文の概要: Deep Manifold Learning for Dynamic MR Imaging

• arxiv url: http://arxiv.org/abs/2104.01102v1
• Date: Tue, 9 Mar 2021 02:18:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 15:43:40.781752
• Title: Deep Manifold Learning for Dynamic MR Imaging
• Title（参考訳）: ダイナミックMRイメージングのためのディープマニフォールド学習
• Authors: Ziwen Ke, Zhuo-Xu Cui, Wenqi Huang, Jing Cheng, Sen Jia, Haifeng Wang, Xin Liu, Hairong Zheng, Leslie Ying, Yanjie Zhu, Dong Liang
• Abstract要約: 本研究では, 非線形多様体上での深層学習法を開発し, 動的信号の時間的冗長性を探究し, 心臓MRIデータを再構成する。 提案手法は, 圧縮センシング(CS)法と, 最先端の深層学習法であるDC-CNNとCRNNと比較して, 改良された再構成が得られる。
• 参考スコア（独自算出の注目度）: 30.70648993986445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To develop a deep learning method on a nonlinear manifold to explore the temporal redundancy of dynamic signals to reconstruct cardiac MRI data from highly undersampled measurements. Methods: Cardiac MR image reconstruction is modeled as general compressed sensing (CS) based optimization on a low-rank tensor manifold. The nonlinear manifold is designed to characterize the temporal correlation of dynamic signals. Iterative procedures can be obtained by solving the optimization model on the manifold, including gradient calculation, projection of the gradient to tangent space, and retraction of the tangent space to the manifold. The iterative procedures on the manifold are unrolled to a neural network, dubbed as Manifold-Net. The Manifold-Net is trained using in vivo data with a retrospective electrocardiogram (ECG)-gated segmented bSSFP sequence. Results: Experimental results at high accelerations demonstrate that the proposed method can obtain improved reconstruction compared with a compressed sensing (CS) method k-t SLR and two state-of-the-art deep learning-based methods, DC-CNN and CRNN. Conclusion: This work represents the first study unrolling the optimization on manifolds into neural networks. Specifically, the designed low-rank manifold provides a new technical route for applying low-rank priors in dynamic MR imaging.
• Abstract（参考訳）: 目的: 動的信号の時間的冗長性を探るため, 非線形多様体上での深層学習法を開発し, 高アンサンプ測定から心臓MRIデータを再構成する。 方法:低ランクテンソル多様体に基づく汎用圧縮センシング(CS)に基づく心臓MR画像再構成をモデル化する。 非線形多様体は動的信号の時間的相関を特徴付けるように設計されている。 反復的な手順は、勾配の計算、勾配の接空間への射影、接空間の多様体への還元を含む多様体上の最適化モデルを解くことで得られる。 多様体上の反復手続きは、mandular-netと呼ばれるニューラルネットワークに展開される。 Manifold-Netは、リフレクション心電図(ECG)付きセグメンテーションbSSFPシークエンスを用いて生体データを用いて訓練される。 結果: 高速加速実験の結果, 提案手法は, 圧縮センシング(CS)法と2つの最先端深層学習法であるDC-CNN, CRNNと比較して, 再現性の向上が得られた。 結論: この研究は、多様体の最適化をニューラルネットワークに展開する最初の研究である。 特に、設計された低位多様体は、動的mrイメージングにおいて低位優先を適用するための新しい技術的経路を提供する。

関連論文リスト

• MIPS-Fusion: Multi-Implicit-Submaps for Scalable and Robust Online Neural RGB-D Reconstruction [15.853932110058585]
  本稿では,新しい暗黙表現-多目的サブマップに基づく,堅牢でスケーラブルなオンラインRGB-D再構成手法を提案する。 本手法では,脳神経サブマップを走査軌道に沿って漸進的に配置し,局所的な神経束の調整によって効率よく学習する。 初めてランダム化された最適化は、学習プロセスにいくつかの重要な設計を施したニューラルトラッキングにおいて可能となり、高速カメラモーションの下でも効率的でロバストなトラッキングを可能にする。
  論文  参考訳（メタデータ） (2023-08-17T02:33:16Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• PS-Net: Deep Partially Separable Modelling for Dynamic Magnetic Resonance Imaging [6.974773529651233]
  動的MRイメージングのための学習された低ランク法を提案する。 心臓シネデータセットの実験により、提案モデルが最先端圧縮センシング(CS)法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-09T07:06:02Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• 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)
• Cogradient Descent for Dependable Learning [64.02052988844301]
  双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。 CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。 また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
  論文  参考訳（メタデータ） (2021-06-20T04:28:20Z)
• Deep Low-rank Prior in Dynamic MR Imaging [30.70648993986445]
  本稿では、学習可能な低ランクをディープネットワークアーキテクチャに導入するための2つの新しいスキームを紹介する。 本研究では,SLR-Netと呼ばれるダイナミックMRイメージングのためのモデルベースアンローリングスパースとローランクネットワークを提案する。 プラグ・アンド・プレイ方式では、他の動的MRニューラルネットワークに簡単に組み込むことができるプラグ・アンド・プレイLRネットワークモジュールを提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:26:10Z)
• Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction [41.62169556793355]
  高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。 ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。 本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:18:37Z)

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。