論文の概要: Data augmentation for deep learning based accelerated MRI reconstruction with limited data

• arxiv url: http://arxiv.org/abs/2106.14947v1
• Date: Mon, 28 Jun 2021 19:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 08:55:13.739031
• Title: Data augmentation for deep learning based accelerated MRI reconstruction with limited data
• Title（参考訳）: 限られたデータを用いた深層学習に基づく加速MRI再構成のためのデータ拡張
• Authors: Zalan Fabian, Reinhard Heckel, Mahdi Soltanolkotabi
• Abstract要約: ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。 最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。 本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
• 参考スコア（独自算出の注目度）: 46.44703053411933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have emerged as very successful tools for image restoration and reconstruction tasks. These networks are often trained end-to-end to directly reconstruct an image from a noisy or corrupted measurement of that image. To achieve state-of-the-art performance, training on large and diverse sets of images is considered critical. However, it is often difficult and/or expensive to collect large amounts of training images. Inspired by the success of Data Augmentation (DA) for classification problems, in this paper, we propose a pipeline for data augmentation for accelerated MRI reconstruction and study its effectiveness at reducing the required training data in a variety of settings. Our DA pipeline, MRAugment, is specifically designed to utilize the invariances present in medical imaging measurements as naive DA strategies that neglect the physics of the problem fail. Through extensive studies on multiple datasets we demonstrate that in the low-data regime DA prevents overfitting and can match or even surpass the state of the art while using significantly fewer training data, whereas in the high-data regime it has diminishing returns. Furthermore, our findings show that DA can improve the robustness of the model against various shifts in the test distribution.
• Abstract（参考訳）: ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。 これらのネットワークは、しばしば、画像のノイズや劣化した測定から画像を直接再構築するために、エンドツーエンドで訓練される。 最先端のパフォーマンスを実現するためには,多種多様な画像のトレーニングが重要であると考えられる。 しかし,大量のトレーニング画像の収集は困難かつ費用がかかる場合が多い。 本稿では,分類問題に対するデータ拡張(DA)の成功に触発されて,MRIの高速化のためのデータ拡張のためのパイプラインを提案し,その有効性について検討する。 我々のDAパイプラインであるMRAugmentは、医療画像計測における不変性を、問題の物理を無視する単純なDA戦略として利用するために特別に設計されている。 複数のデータセットに関する広範な研究を通じて、低データ体制のDAは過度な適合を防ぎ、トレーニングデータを大幅に少なくしながら、アートの状態にマッチしたり、超えたりすることを実証しています。 さらに,daはテスト分布の変化に対してモデルのロバスト性を向上させることができることを示した。

関連論文リスト

• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Generalizable Denoising of Microscopy Images using Generative Adversarial Networks and Contrastive Learning [0.0]
  数発の顕微鏡画像復調のための新しいフレームワークを提案する。 提案手法は,比較学習(CL)を用いて学習したGAN(Generative Adversarial Network)と,損失項を保存する2つの構造を組み合わせたものである。 本手法が3つのよく知られた顕微鏡画像データセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T13:55:07Z)
• Train smarter, not harder: learning deep abdominal CT registration on scarce data [0.8179387741893692]
  腹部画像における畳み込みニューラルネットワークによる画像-画像の登録を改善するためのトレーニング戦略について検討する。 訓練段階におけるセグメンテーションを用いた指導は、ディープラーニングに基づく画像登録に有用であることが証明された。 脳MRIデータセットから腹部CTデータセットまで、事前訓練されたモデルを微調整することで、パフォーマンスがさらに向上した。
  論文  参考訳（メタデータ） (2022-11-28T19:03:01Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• Scale-Equivariant Unrolled Neural Networks for Data-Efficient Accelerated MRI Reconstruction [33.82162420709648]
  本稿では,大規模同変畳み込みニューラルネットワークを用いたニューラルネットワークの近位演算子をモデル化する。 我々のアプローチは、同じメモリ制約下での最先端のアンロールニューラルネットワークに対する強力な改善を示す。
  論文  参考訳（メタデータ） (2022-04-21T23:29:52Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• 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)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。