論文の概要: DeepRF: Deep Reinforcement Learning Designed RadioFrequency Waveform in
MRI
- arxiv url: http://arxiv.org/abs/2105.03061v1
- Date: Fri, 7 May 2021 04:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:23:46.677636
- Title: DeepRF: Deep Reinforcement Learning Designed RadioFrequency Waveform in
MRI
- Title（参考訳）: DeepRF:MRIで高周波波形を設計したディープ強化学習
- Authors: Dongmyung Shin, Younghoon Kim, Chungseok Oh, Hongjun An, Juhyung Park,
Jiye Kim, and Jongho Lee
- Abstract要約: 無線周波数(RF)パルスは、携帯電話、レーダー、磁気共鳴イメージング(MRI)などの多くのシステムで重要な役割を果たしています。
本研究では,人工知能を用いたRFパルス設計フレームワークDeepRFを提案する。
DeepRFは、深層強化学習の自己学習特性を利用して、人間の直感を超えた新しいRFを生成する。
- 参考スコア（独自算出の注目度）: 11.301627148745586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A carefully engineered radiofrequency (RF) pulse plays a key role in a number
of systems such as mobile phone, radar, and magnetic resonance imaging (MRI).
The design of an RF waveform, however, is often posed as an inverse problem
that has no general solution. As a result, various design methods each with a
specific purpose have been developed based on the intuition of human experts.
In this work, we propose an artificial intelligence-powered RF pulse design
framework, DeepRF, which utilizes the self-learning characteristics of deep
reinforcement learning (DRL) to generate a novel RF beyond human intuition.
Additionally, the method can design various types of RF pulses via customized
reward functions. The algorithm of DeepRF consists of two modules: the RF
generation module, which utilizes DRL to explore new RF pulses, and the RF
refinement module, which optimizes the seed RF pulses from the generation
module via gradient ascent. The effectiveness of DeepRF is demonstrated using
four exemplary RF pulses, slice-selective excitation pulse, slice-selective
inversion pulse, B1-insensitive volume inversion pulse, and B1-insensitive
selective inversion pulse, that are commonly used in MRI. The results show that
the DeepRF-designed pulses successfully satisfy the design criteria while
improving specific absorption rates when compared to those of the conventional
RF pulses. Further analyses suggest that the DeepRF-designed pulses utilize new
mechanisms of magnetization manipulation that are difficult to be explained by
conventional theory, suggesting the potentials of DeepRF in discovering unseen
design dimensions beyond human intuition. This work may lay the foundation for
an emerging field of AI-driven RF waveform design.
- Abstract（参考訳）: 念入りに設計された高周波パルスは、携帯電話、レーダー、磁気共鳴イメージング(mri)など多くのシステムにおいて重要な役割を果たす。
しかし、rf波形の設計は、一般的な解を持たない逆問題と見なされることが多い。
その結果、人的専門家の直感に基づいて、特定の目的を持った様々な設計手法が開発されている。
本研究では,深部強化学習(DRL)の自己学習特性を利用して人間の直感を超えた新しいRFを生成する,人工知能を利用したRFパルス設計フレームワークであるDeepRFを提案する。
さらに、カスタマイズされた報酬関数を用いて様々な種類のRFパルスを設計できる。
DeepRFのアルゴリズムは、DRLを用いて新しいRFパルスを探索するRF生成モジュールと、勾配上昇により生成モジュールからシードRFパルスを最適化するRF精製モジュールの2つのモジュールで構成されている。
DeepRFの有効性は、MRIで一般的に用いられる4つの例のRFパルス、スライス選択励起パルス、スライス選択反転パルス、B1非感受性ボリューム反転パルス、B1非感受性選択反転パルスを用いて示される。
その結果, 従来のrfパルスと比較して, 特定の吸収率を改善しつつ, 設計基準を満足させることができた。
さらに、DeepRFが設計したパルスは、従来の理論では説明が難しい磁化操作の新たなメカニズムを利用しており、人間の直観を超えて見えない設計次元を発見する際のDeepRFの可能性が示唆されている。
この研究は、AI駆動のRF波形設計の新たな分野の基礎となるかもしれない。
関連論文リスト
- Rydberg Atomic Quantum Receivers for Classical Wireless Communication and Sensing [71.94873601156017]
Rydberg 原子量子受信機 (RAQR) は無線周波数 (RF) 信号を受信するために設計されている。
RAQRは魅力的なスケーラビリティを示し、革新的でコンパクトな受信機の構築に貢献する。
論文 参考訳（メタデータ） (2024-09-22T15:55:02Z) - Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning [9.596613410358206]
超高磁場(UHF)磁気共鳴イメージング(MRI)は信号対雑音比を高くし、空間分解能を高くする。
UHF MRIは、無線周波数(RF)磁場(B1+)の不均一性などの課題を導入し、不均一なフリップ角と画像強度異常をもたらす。
本研究では,新たな深層学習戦略を通じて,B1+フィールドの均一性を論じる。
論文 参考訳（メタデータ） (2024-08-21T04:10:56Z) - RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion [15.175370227353406]
RF信号の時間・周波数・複素値領域における情報入力を可能にするため,新しい時間周波数拡散理論を導入する。
RF拡散(RF-Diffusion)は、多種多様な高品質かつ時系列のRFデータを生成する汎用的なソリューションである。
また、5Gネットワークにおいて、Wi-Fiセンシングシステムを強化し、チャネル推定を行う上で、RF拡散の汎用性を示す。
論文 参考訳（メタデータ） (2024-04-14T04:56:05Z) - In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent
Radar [8.041399176135178]
本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。
我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。
MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-12-16T06:21:42Z) - Prompt2NeRF-PIL: Fast NeRF Generation via Pretrained Implicit Latent [61.56387277538849]
本稿では,3次元シーンの直接条件付けと高速なNeRFパラメータ生成のための高速なNeRF生成について検討する。
Prompt2NeRF-PILは、単一の前方通過で様々な3Dオブジェクトを生成することができる。
我々は,テキストからNeRFモデルDreamFusionと画像からNeRF手法Zero-1-to-3の3次元再構成速度を3倍から5倍に高速化することを示す。
論文 参考訳（メタデータ） (2023-12-05T08:32:46Z) - DReg-NeRF: Deep Registration for Neural Radiance Fields [66.69049158826677]
我々は,人間の介入なしにオブジェクト中心のアノテートシーンにおけるNeRF登録問題を解くためにDReg-NeRFを提案する。
提案手法は,SOTAポイントクラウド登録方式を大きなマージンで打ち負かす。
論文 参考訳（メタデータ） (2023-08-18T08:37:49Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳（メタデータ） (2022-12-10T20:15:23Z) - Classification of multi-frequency RF signals by extreme learning, using
magnetic tunnel junctions as neurons and synapses [46.000685134136525]
磁気トンネル接合は並列に複数の周波数でRF入力を処理可能であることを示す。
極端学習と呼ばれるバックプロパゲーションフリーの手法を用いて、RF信号で符号化されたノイズの多い画像を分類する。
これらの結果は、組み込みの高周波人工知能にとって重要なステップである。
論文 参考訳（メタデータ） (2022-11-02T14:09:42Z) - RFGAN: RF-Based Human Synthesis [9.709890321556204]
本稿では,新しいクロスモーダルRFGANモデルを導入することにより,微細な光学的人間の画像を生成することを目的とする。
我々の知る限りでは、RF信号に基づいて光学画像を生成するのはこれが初めてである。
論文 参考訳（メタデータ） (2021-12-07T14:34:35Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z)
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。