論文の概要: Scan Specific Artifact Reduction in K-space (SPARK) Neural Networks
Synergize with Physics-based Reconstruction to Accelerate MRI
- arxiv url: http://arxiv.org/abs/2104.01188v1
- Date: Fri, 2 Apr 2021 18:11:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:15:54.465282
- Title: Scan Specific Artifact Reduction in K-space (SPARK) Neural Networks
Synergize with Physics-based Reconstruction to Accelerate MRI
- Title（参考訳）: K空間(SPARK)ニューラルネットの走査特異的アーチファクト低減と物理ベース再構成によるMRIの高速化
- Authors: Yamin Arefeen (1), Onur Beker (2), Heng Yu (3), Elfar Adalsteinsson (1
and 4 and 5), Berkin Bilgic (4 and 6 and 7) ((1) Massachusetts Institute of
Technology, (2) \'Ecole Polytechnique F\'ed\'erale de Lausanne (3), Tsinghua
University, (4) Harvard-MIT Health Sciences and Technology, (5) Institute for
Medical Engineering and Science, (6) Athinoula A. Martinos Center for
Biomedical Imaging, (7) Harvard Medical School)
- Abstract要約: k空間におけるScan-Specific Artifact Reductionは、k空間誤差を推定するために畳み込みニューラルネットワークを訓練する。
SPARKは、加速MRIを改善するために物理ベースの再構成技術と相乗効果を持つ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop a scan-specific model that estimates and corrects k-space
errors made when reconstructing accelerated Magnetic Resonance Imaging (MRI)
data.
Methods: Scan-Specific Artifact Reduction in k-space (SPARK) trains a
convolutional neural network to estimate k-space errors made by an input
reconstruction technique by back-propagating from the mean-squared-error loss
between an auto-calibration signal (ACS) and the input technique's
reconstructed ACS. First, SPARK is applied to GRAPPA and demonstrates improved
robustness over other scan-specific models. Then, SPARK is shown to synergize
with advanced reconstruction techniques by improving image quality when applied
to 2D virtual coil (VC-) GRAPPA, 2D LORAKS, 3D GRAPPA without an integrated ACS
region, and 2D/3D wave-encoded imaging.
Results: SPARK yields 1.5 - 2x RMSE reduction when applied to GRAPPA and
improves robustness to ACS size for various acceleration rates in comparison to
other scan-specific techniques. When applied to advanced parallel imaging
techniques such as 2D VC-GRAPPA and LORAKS, SPARK achieves up to 20% RMSE
improvement. SPARK with 3D GRAPPA also improves RMSE performance and perceived
image quality without a fully sampled ACS region. Finally, SPARK synergizes
with non-cartesian, 2D and 3D wave-encoding imaging by reducing RMSE between 20
- 25% and providing qualitative improvements.
Conclusion: SPARK synergizes with physics-based reconstruction techniques to
improve accelerated MRI by training scan-specific models to estimate and
correct reconstruction errors in k-space.
- Abstract（参考訳）: 目的: mri(accelerated magnetic resonance imaging)データの再構成時に生じるk空間誤差を推定し補正するスキャン固有モデルを開発すること。
方法: SPARK(Scan-Specific Artifact Reduction in k-space)は、自己校正信号(ACS)と入力技法の再構成ACS間の平均2乗誤差損失から逆伝搬することで、入力再構成技術によって行われるk-spaceエラーを推定するために畳み込みニューラルネットワークを訓練する。
まず、SPARKはGRAPPAに適用され、他のスキャン固有のモデルよりも堅牢性が改善されている。
次に、2D仮想コイル(VC-)GRAPPA, 2D LORAKS, 3D GRAPPAをACS領域を含まない場合の画質向上と2D/3Dウェーブエンコードイメージングにより、SPARKと高度な再構成技術との相乗効果を示す。
結果: GRAPPAに適用した場合, SPARKは1.5～2倍のRMSE低下を示し, 他の走査特異的手法と比較して, ACSサイズに対する堅牢性を向上させる。
2D VC-GRAPPAやLORAKSのような高度な並列イメージング技術に適用すると、SPARKは最大20%のRMSE改善を達成する。
3D GRAPPAのSPARKは、完全なサンプルACS領域を使わずにRMSE性能と画像品質を向上する。
最後に、sparkは非カルテ語、2d、および3dのウェーブエンコーディングイメージングと、rmseを20〜25%削減し、質的改善を提供する。
結論: SPARKは,k空間における再構成誤差を推定・補正するために,走査特異的モデルを訓練することにより,加速MRIを改善する物理ベースの再構成手法と相乗化する。
関連論文リスト
- 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。
スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。
本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
論文 参考訳（メタデータ） (2024-05-17T11:23:33Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - 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) - IMJENSE: Scan-specific Implicit Representation for Joint Coil
Sensitivity and Image Estimation in Parallel MRI [11.159664312706704]
IMJENSEは、並列MRI再構成を改善するためのスキャン特異的暗黙の神経表現に基づく方法である。
IMJENSEは、MRI画像とコイル感度の強力な連続表現と共同推定により、従来の画像やk空間領域再構成アルゴリズムよりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-11-21T07:24:11Z) - Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse
Problems [7.074380879971194]
本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。
トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。
再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
論文 参考訳（メタデータ） (2023-08-16T17:07:40Z) - 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) - Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with
GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。
提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-09-19T07:26:45Z) - Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction [7.532638301149741]
磁気共鳴イメージング(MRI)の最重要課題は、取得時間短縮と運動アーティファクトの減少である
深層学習に基づく画像復元は、高分解能かつモーションアーティファクトのないMRI画像を生成するための有望なソリューションとして登場した。
本研究では, 擬似3次元MRI画像の超解像再構成(SRR)と動きアーチファクト縮小(MAR)のための統合された2次元ディープラーニングフレームワークを採用した。
ネットワークの精度は画素ワイドの不確実性マップを用いて評価し、最先端の手法に対して性能をベンチマークした。
論文 参考訳（メタデータ） (2021-11-28T22:58:00Z) - 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) - Fast Hyperspectral Image Recovery via Non-iterative Fusion of
Dual-Camera Compressive Hyperspectral Imaging [22.683482662362337]
符号化開口分光画像(CASSI)は3次元ハイパースペクトル像(HSI)を撮像するための有望な技術である
様々な正規化器を用いて2次元計測から3次元データを再構成している。
実現可能な解決策の1つは、CASSIのRGB測定などの追加情報を活用することです。
論文 参考訳（メタデータ） (2020-12-30T10:29:32Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。