論文の概要: Robust partial Fourier reconstruction for diffusion-weighted imaging
using a recurrent convolutional neural network
- arxiv url: http://arxiv.org/abs/2105.09378v1
- Date: Wed, 19 May 2021 20:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 13:28:44.386276
- Title: Robust partial Fourier reconstruction for diffusion-weighted imaging
using a recurrent convolutional neural network
- Title（参考訳）: リカレント畳み込みニューラルネットワークを用いた拡散強調画像のロバスト部分フーリエ再構成
- Authors: Fasil Gadjimuradov, Thomas Benkert, Marcel Dominik Nickel, Andreas
Maier
- Abstract要約: 繰り返し畳み込みによって実装されたデータ一貫性演算と正規化を交互に行うニューラルネットワークアーキテクチャが導出される。
重み付きネットワークや近位ネットワークのカスケードよりも、再帰的なネットワークによるアンローリングの方がよい結果が得られることを示すことができる。
- 参考スコア（独自算出の注目度）: 5.3580471186206005
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: To develop an algorithm for robust partial Fourier (PF)
reconstruction applicable to diffusion-weighted (DW) images with non-smooth
phase variations.
Methods: Based on an unrolled proximal splitting algorithm, a neural network
architecture is derived which alternates between data consistency operations
and regularization implemented by recurrent convolutions. In order to exploit
correlations, multiple repetitions of the same slice are jointly reconstructed
under consideration of permutation-equivariance. The proposed method is trained
on DW liver data of 60 volunteers and evaluated on retrospectively and
prospectively sub-sampled data of different anatomies and resolutions. In
addition, the benefits of using a recurrent network over other unrolling
strategies is investigated.
Results: Conventional PF techniques can be significantly outperformed in
terms of quantitative measures as well as perceptual image quality. The
proposed method is able to generalize well to brain data with contrasts and
resolution not present in the training set. The reduction in echo time (TE)
associated with prospective PF-sampling enables DW imaging with higher signal.
Also, the TE increase in acquisitions with higher resolution can be compensated
for. It can be shown that unrolling by means of a recurrent network produced
better results than using a weight-shared network or a cascade of networks.
Conclusion: This work demonstrates that robust PF reconstruction of DW data
is feasible even at strong PF factors in applications with severe phase
variations. Since the proposed method does not rely on smoothness priors of the
phase but uses learned recurrent convolutions instead, artifacts of
conventional PF methods can be avoided.
- Abstract（参考訳）: 目的: 非滑らかな位相変化を有する拡散重み付き(DW)画像に適用可能なロバスト部分フーリエ再構成アルゴリズムを開発すること。
手法: 非線形近位分割アルゴリズムに基づいて、繰り返し畳み込みによって実装されるデータ一貫性演算と正規化を交互に行うニューラルネットワークアーキテクチャを導出する。
相関を利用するために、置換同分散を考慮した同一スライスの複数の繰り返しを共同で再構成する。
提案手法は,60名のボランティアのdw肝データに基づいて訓練し,様々な解剖学的および解像度の遡及的および予測的サブサンプリングデータを用いて評価した。
また、他のロールング戦略よりもリカレントネットワークを利用するメリットについても検討した。
結果: 従来のPF技術は, 定量的測定や知覚的画質において, 著しく優れていた。
提案手法は,学習セットに存在しないコントラストと解像度を用いて,脳データによく一般化することができる。
pfサンプリングに伴うエコー時間(te)の低減は、より高い信号によるdwイメージングを可能にする。
また、高解像度の買収のTE増加を補うことができる。
重み付きネットワークやネットワークのカスケードよりも,再帰的ネットワークによるロールアウトの方が良好な結果が得られたことを示すことができる。
結論: 本研究はDWデータの堅牢なPF再構成が, 位相変化の激しいアプリケーションにおいて, 強いPF因子でも実現可能であることを示す。
提案手法は相の滑らかさを優先するものではなく,学習再帰畳み込みを用いるため,従来のpf法のアーチファクトを回避できる。
関連論文リスト
- Deep Radon Prior: A Fully Unsupervised Framework for Sparse-View CT
Reconstruction [6.509941446269504]
提案するフレームワークはデータセットを必要とせず、優れた解釈可能性と一般化能力を示す。
実験結果から,提案手法は画像アーチファクトを効果的に抑制しつつ,詳細な画像を生成することができることが示された。
論文 参考訳（メタデータ） (2023-12-30T04:11:08Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Untrained neural network embedded Fourier phase retrieval from few
measurements [8.914156789222266]
本稿では、FPRを少ない測定値で解くために、未学習のニューラルネットワーク埋め込みアルゴリズムを提案する。
再生する画像を表すために生成ネットワークを使用し、ネットワーク構造によって定義された空間に画像を閉じ込める。
未学習NNのパラメータ更新に起因した計算コストを削減するため,明示的正規化と暗黙的正規化を適応的に切り離す高速化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-07-16T16:23:50Z) - PC-GANs: Progressive Compensation Generative Adversarial Networks for
Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。
モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文 参考訳（メタデータ） (2022-07-29T03:09:21Z) - Convolutional Neural Network to Restore Low-Dose Digital Breast
Tomosynthesis Projections in a Variance Stabilization Domain [15.149874383250236]
畳み込みニューラルネットワーク(CNN)は、低線量(LD)投影を標準的なフル線量(FD)取得と同等の画質に復元するために提案されている。
平均二乗誤差(MNSE)、正規化訓練時間、ノイズ空間相関の点で従来のデータ駆動方式と比較して、ネットワークは優れた結果を得た。
論文 参考訳（メタデータ） (2022-03-22T13:31:47Z) - 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) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。
RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。
提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文 参考訳（メタデータ） (2021-11-18T11:44:04Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - Training Variational Networks with Multi-Domain Simulations:
Speed-of-Sound Image Reconstruction [5.47832435255656]
変分ネットワーク(VN)は画像再構成における逆問題を最適化するための学習に基づく潜在的アプローチであることが示されている。
本稿では,従来のトランスデューサと単側組織アクセスを用いたパルスエコーSoS画像再構成問題に対するVNソリューションを初めて提示する。
提案手法とマルチソースドメイントレーニングを組み合わせることで,VNのドメイン適応能力を大幅に向上することを示す。
論文 参考訳（メタデータ） (2020-06-25T13:32:08Z)
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。