論文の概要: Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation
- arxiv url: http://arxiv.org/abs/2104.01889v1
- Date: Mon, 5 Apr 2021 13:05:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:22:03.455034
- Title: Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation
- Title（参考訳）: アンダーサンプルMRI再構成と画像間変換のための適応的勾配バランス
- Authors: Itzik Malkiel, Sangtae Ahn, Valentina Taviani, Anne Menini, Lior Wolf,
Christopher J. Hardy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 60.663499381212425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent accelerated MRI reconstruction models have used Deep Neural Networks
(DNNs) to reconstruct relatively high-quality images from highly undersampled
k-space data, enabling much faster MRI scanning. However, these techniques
sometimes struggle to reconstruct sharp images that preserve fine detail while
maintaining a natural appearance. In this work, we enhance the image quality by
using a Conditional Wasserstein Generative Adversarial Network combined with a
novel Adaptive Gradient Balancing (AGB) technique that automates the process of
combining the adversarial and pixel-wise terms and streamlines hyperparameter
tuning. In addition, we introduce a Densely Connected Iterative Network, which
is an undersampled MRI reconstruction network that utilizes dense connections.
In MRI, our method minimizes artifacts, while maintaining a high-quality
reconstruction that produces sharper images than other techniques. To
demonstrate the general nature of our method, it is further evaluated on a
battery of image-to-image translation experiments, demonstrating an ability to
recover from sub-optimal weighting in multi-term adversarial training.
- Abstract（参考訳）: 最近の加速MRI再構成モデルでは、Deep Neural Networks(DNN)を使用して、高度にアンサンプされたk空間データから比較的高品質な画像を再構成し、より高速なMRIスキャンを可能にしている。
しかし、これらの技法は、自然の外観を維持しながら細部を細部まで保存する鋭い画像の復元に苦慮することがある。
本研究では,条件付きwasserstein生成型逆行ネットワークと,逆行と画素単位の組み合わせを自動化し,ハイパーパラメータチューニングを合理化する新しい適応勾配バランス(agb)技術を組み合わせて,画質の向上を図る。
さらに,高密度接続を利用したアンサンプ型MRI再構成ネットワークであるDensely Connected Iterative Networkを導入する。
MRIでは、他の手法よりもシャープな画像を生成する高品質な再構成を維持しながら、アーティファクトを最小限に抑える。
本手法の汎用性を示すために, 画像から画像への翻訳実験のバッテリでさらに評価し, 多時期の対向訓練において, 副最適重み付けから回復する能力を示す。
関連論文リスト
- Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。
ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。
CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。
これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。
我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T16:19:07Z) - 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) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳（メタデータ） (2022-06-15T03:42:18Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - 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) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳（メタデータ） (2021-03-13T09:58:32Z) - Performance characterization of a novel deep learning-based MR image
reconstruction pipeline [0.0]
新しい深層学習型磁気共鳴画像再構成パイプラインは, 従来の画像の画質限界に対処するために設計された。
このパイプラインのユニークな目的は、トランケーションアーチファクトを画像のシャープネスを改善すると同時に、画像品質を改善するために共同でデノイングを行うことであった。
この新しいアプローチは、現在AIR Recon DLで市販されており、生データの再構築を支援する深層畳み込みニューラルネットワーク(CNN)を含んでいる。
論文 参考訳（メタデータ） (2020-08-14T19:54:08Z) - Deep Parallel MRI Reconstruction Network Without Coil Sensitivities [4.559089047554929]
並列MRI(pMRI)における高速画像再構成のための頑健な近位勾配スキームをデータからトレーニングした正規化関数にマッピングすることにより,新しいディープニューラルネットワークアーキテクチャを提案する。
提案するネットワークは,不完全なpMRIデータからのマルチコイル画像と均一なコントラストとを適応的に組み合わせることを学び,非線形エンコーダに渡されて画像のスパース特徴を効率的に抽出する。
論文 参考訳（メタデータ） (2020-08-04T08:39:36Z)
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。