論文の概要: Optimal MRI Undersampling Patterns for Ultimate Benefit of Medical
Vision Tasks
- arxiv url: http://arxiv.org/abs/2108.04914v1
- Date: Tue, 10 Aug 2021 20:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-12 13:33:39.639172
- Title: Optimal MRI Undersampling Patterns for Ultimate Benefit of Medical
Vision Tasks
- Title(参考訳): 医用ビジョンタスクの究極的ベネフィットのためのMRIアンサンプパターン
- Authors: Artem Razumov, Oleg Y. Rogov, Dmitry V. Dylov
- Abstract要約: 本稿では,再構成画像の品質から下流画像解析結果の品質に焦点を移すことを提案する。
共通の医療ビジョン問題に対する関心のターゲット値関数を最大化する、$textitk$-spaceにおける最適なアンダーサンプリングパターンを見つける。
- 参考スコア(独自算出の注目度): 2.7716102039510564
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To accelerate MRI, the field of compressed sensing is traditionally concerned
with optimizing the image quality after a partial undersampling of the
measurable $\textit{k}$-space. In our work, we propose to change the focus from
the quality of the reconstructed image to the quality of the downstream image
analysis outcome. Specifically, we propose to optimize the patterns according
to how well a sought-after pathology could be detected or localized in the
reconstructed images. We find the optimal undersampling patterns in
$\textit{k}$-space that maximize target value functions of interest in
commonplace medical vision problems (reconstruction, segmentation, and
classification) and propose a new iterative gradient sampling routine
universally suitable for these tasks. We validate the proposed MRI acceleration
paradigm on three classical medical datasets, demonstrating a noticeable
improvement of the target metrics at the high acceleration factors (for the
segmentation problem at $\times$16 acceleration, we report up to 12%
improvement in Dice score over the other undersampling patterns).
- Abstract(参考訳): MRIを高速化するために、圧縮センシングの分野は従来、測定可能な$\textit{k}$-spaceの部分アンサンプ後の画質の最適化に関係している。
本研究では,再構成画像の品質から下流画像解析結果の品質に焦点を移すことを提案する。
具体的には,再建画像中の病理所見の検出や局所化の程度に応じて,そのパターンを最適化することを提案する。
共通の医療的視覚問題(再構築、セグメンテーション、分類)に関心のある対象値関数を最大化する$\textit{k}$-spaceの最適なアンダーサンプリングパターンを見つけ、これらのタスクに普遍的に適した新しい反復的勾配サンプリングルーチンを提案する。
提案したMRIアクセラレーションパラダイムを3つの古典的医療データセット上で検証し,高いアクセラレーション係数における目標指標の顕著な改善を示す($\times$16アクセラレーションにおけるセグメンテーション問題については,他のアンダーサンプリングパターンよりも最大12%改善したことを報告した)。
関連論文リスト
- Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳(メタデータ) (2021-11-29T11:53:06Z) - Learning the Regularization in DCE-MR Image Reconstruction for
Functional Imaging of Kidneys [1.2890174947191904]
機能的画像マーカーの精度を低下させることなく、MRIアンダーサンプリングアーティファクトを低減するために、単一の訓練されたディープニューラルネットワークを提案する。
提案したアプローチは、CS再構成を用いて推定された基底真理マーカーと高い相関を示す腎臓バイオマーカーである。
論文 参考訳(メタデータ) (2021-09-15T19:27:53Z) - 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) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳(メタデータ) (2020-06-23T23:15:54Z) - 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) - Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological
Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。
特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。
合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2020-02-14T10:00:03Z) - 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。