論文の概要: End-to-End Sequential Sampling and Reconstruction for MR Imaging

• arxiv url: http://arxiv.org/abs/2105.06460v1
• Date: Thu, 13 May 2021 17:56:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 13:49:25.498866
• Title: End-to-End Sequential Sampling and Reconstruction for MR Imaging
• Title（参考訳）: MR画像のエンド・ツー・エンドシーケンスサンプリングと再構成
• Authors: Tianwei Yin, Zihui Wu, He Sun, Adrian V. Dalca, Yisong Yue, Katherine L. Bouman
• Abstract要約: 本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。 提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 37.29958197193658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accelerated MRI shortens acquisition time by subsampling in the measurement k-space. Recovering a high-fidelity anatomical image from subsampled measurements requires close cooperation between two components: (1) a sampler that chooses the subsampling pattern and (2) a reconstructor that recovers images from incomplete measurements. In this paper, we leverage the sequential nature of MRI measurements, and propose a fully differentiable framework that jointly learns a sequential sampling policy simultaneously with a reconstruction strategy. This co-designed framework is able to adapt during acquisition in order to capture the most informative measurements for a particular target (Figure 1). Experimental results on the fastMRI knee dataset demonstrate that the proposed approach successfully utilizes intermediate information during the sampling process to boost reconstruction performance. In particular, our proposed method outperforms the current state-of-the-art learned k-space sampling baseline on up to 96.96% of test samples. We also investigate the individual and collective benefits of the sequential sampling and co-design strategies. Code and more visualizations are available at http://imaging.cms.caltech.edu/seq-mri
• Abstract（参考訳）: 加速度MRIは、測定k空間のサブサンプリングにより取得時間を短縮する。 サブサンプル測定から高忠実な解剖学的画像の復元には,(1)サブサンプルパターンを選択するサンプルと,(2)不完全な測定から画像を復元するリコンストラクタの2つの要素の密接な連携が必要である。 本稿では,MRI計測のシーケンシャルな性質を活用し,再構成戦略と同時に逐次サンプリングポリシを共同で学習する,完全に微分可能なフレームワークを提案する。 この共同設計のフレームワークは、特定の目標に対して最も情報性の高い測定値を取得するために、取得中に適応することができる(図1)。 高速MRI膝関節データセットの実験結果から,提案手法はサンプリング過程の中間情報を有効利用し,再構成性能を向上することを示した。 特に, 提案手法は, 96.96%の試験試料において, 最先端のk空間サンプリングベースラインよりも優れていた。 また,逐次サンプリングおよび共同設計戦略の個人的および集団的メリットについても検討した。 コードとさらなる可視化はhttp://imaging.cms.caltech.edu/seq-mriで利用可能である。

関連論文リスト

• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• L2SR: Learning to Sample and Reconstruct for Accelerated MRI via Reinforcement Learning [4.955697042432618]
  優れたサンプルと再構成器のペアを共同で学習するための交互学習フレームワークを提案する。 L2SRは、ファストMRIデータセット上で最先端の再構成性能を達成するサンプルと再構成器のペアを学習する。
  論文  参考訳（メタデータ） (2022-12-05T11:54:12Z)
• PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI [47.24613772568027]
  圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。 本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。 2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-24T04:23:57Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
  本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。 公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T04:04:48Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• One Network to Solve Them All: A Sequential Multi-Task Joint Learning Network Framework for MR Imaging Pipeline [12.684219884940056]
  組み合わせたエンドツーエンドのパイプラインを訓練するために、連続的なマルチタスク共同学習ネットワークモデルが提案される。 提案手法は,再構成とセグメント化の両面から,他のSOTA手法よりも優れた性能を示すMBBデータセット上で検証されている。
  論文  参考訳（メタデータ） (2021-05-14T05:55:27Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)
• 1D Probabilistic Undersampling Pattern Optimization for MR Image Reconstruction [3.46218629010647]
  本稿では,MR画像再構成のためのクロスドメインネットワークを,限られたサンプリングレートで,振り返りデータ駆動方式で提案する。 本手法は,学習データの種類に合わせて最適なアンダーサンプリングパターン(k空間)と再構成モデルを同時に得ることができる。
  論文  参考訳（メタデータ） (2020-03-08T15:15:37Z)

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。