論文の概要: MoDIR: Motion-Compensated Training for Deep Image Reconstruction without Ground Truth

• arxiv url: http://arxiv.org/abs/2107.05533v1
• Date: Mon, 12 Jul 2021 16:01:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 15:44:53.961409
• Title: MoDIR: Motion-Compensated Training for Deep Image Reconstruction without Ground Truth
• Title（参考訳）: MoDIR: 深部画像再構成のための運動補償訓練
• Authors: Weijie Gan, Yu Sun, Cihat Eldeniz, Jiaming Liu, Hongyu An and Ulugbek S. Kamilov
• Abstract要約: 医用画像再構成のためのディープニューラルネットワークは、伝統的に、高品質の地上画像を用いて訓練対象として訓練されている。 Noise2Noiseの最近の研究は、同じ物体の複数のノイズ測定を、基礎的な真実を持つ代替物として使う可能性を示している。 本稿では,運動補償深度画像再構成法 (MoDIR) を提案する。
• 参考スコア（独自算出の注目度）: 22.983313770232417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks for medical image reconstruction are traditionally trained using high-quality ground-truth images as training targets. Recent work onNoise2Noise (N2N) has shown the potential of using multiple noisy measurements of the same object as an alternative to having a ground truth. However, existing N2N-based methods cannot exploit information from various motion states, limiting their ability to learn on moving objects. This paper addresses this issue by proposing a novel motion-compensated deep image reconstruction (MoDIR) method that can use information from several unregistered and noisy measurements for training. MoDIR deals with object motion by including a deep registration module jointly trained with the deep reconstruction network without any ground-truth supervision. We validate MoDIR on both simulated and experimentally collected magnetic resonance imaging (MRI) data and show that it significantly improves imaging quality.
• Abstract（参考訳）: 医用画像再構成のためのディープニューラルネットワークは、伝統的に高品質な地中画像を用いて訓練される。 近年の onnoise2noise (n2n) は、基底的真理の代替として、同じ物体の複数のノイズ測定を用いる可能性を示した。 しかし、既存のN2Nベースの手法では、様々な動作状態からの情報を利用することができず、移動物体について学習する能力は制限される。 本稿では,複数の無登録・無音測定値からの情報をトレーニングに活用できる新しいモーション補償深部画像再構成法(modir)を提案する。 MoDIRはディープ・リコンストラクション・ネットワークと共同で訓練されたディープ・レジスター・モジュールをベース・トラストの監督なしに含めることで物体の動きを扱う。 シミュレーションと実験で収集したMRIデータを用いてMoDIRを検証し,画像品質を著しく向上させることを示した。

関連論文リスト

• Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
  運動は臨床MRIの約30%に存在していると推定されている。 深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。 画像と正しい動きを同時に高速化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T02:16:35Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
  心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。 提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
  論文  参考訳（メタデータ） (2023-10-10T13:46:11Z)
• DynaMoN: Motion-Aware Fast and Robust Camera Localization for Dynamic Neural Radiance Fields [71.94156412354054]
  動的ニューラルラジアンス場(DynaMoN)の高速かつロバストなカメラ位置推定法を提案する。 DynaMoNは、初期のカメラポーズ推定と高速で正確なノベルビュー合成のための静的集光線サンプリングのために動的コンテンツを処理している。 我々は,TUM RGB-DデータセットとBONN RGB-D Dynamicデータセットの2つの実世界の動的データセットに対するアプローチを広く評価した。
  論文  参考訳（メタデータ） (2023-09-16T08:46:59Z)
• Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising [9.489726334567171]
  本稿では,MR画像再構成のための自己教師あり学習を可能にする新しい再構成手法であるDURED-Netを提案する。 MR再生におけるノイズ2ノイズの再構成性能を画像物理を利用した明示的な事前付加により向上することを目的としている。 提案手法は, 再現性を高めるために, トレーニングデータ量の削減を必要とすることを示した。
  論文  参考訳（メタデータ） (2022-05-07T01:49:31Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
  核磁気共鳴画像(MRI)における深層学習の驚くべき性能 最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。 我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
  論文  参考訳（メタデータ） (2021-12-09T06:39:55Z)
• 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)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  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。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Image Reconstruction using Unregistered Measurements without Groundtruth [18.074761731992695]
  本稿では,ニューラルネットワークを用いて高品質な画像の再構成を行うための,教師なしの深層登録強化再構成法(U-Dream)を提案する。 U-Dreamが正確な登録データの必要性を回避する能力は、多くのバイオメディカル画像再構成タスクに広く応用できる。 非剛性変形した画像からのアンダーサンプル測定に基づいて、画像再構成モデルを直接訓練することにより、MRI(Accelerated Magnetic resonance Imaging)においてこれを検証した。
  論文  参考訳（メタデータ） (2020-09-29T13:15:45Z)

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。