論文の概要: Deep MRI Reconstruction with Radial Subsampling
- arxiv url: http://arxiv.org/abs/2108.07619v1
- Date: Tue, 17 Aug 2021 17:45:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:06:16.263587
- Title: Deep MRI Reconstruction with Radial Subsampling
- Title（参考訳）: Radial Subsampling を用いた深部MRI画像再構成
- Authors: George Yiasemis, Chaoping Zhang, Clara I. S\'anchez, Jan-Jakob Sonke,
Jonas Teuwen
- Abstract要約: k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
- 参考スコア（独自算出の注目度）: 2.7998963147546148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In spite of its extensive adaptation in almost every medical diagnostic and
examinatorial application, Magnetic Resonance Imaging (MRI) is still a slow
imaging modality which limits its use for dynamic imaging. In recent years,
Parallel Imaging (PI) and Compressed Sensing (CS) have been utilised to
accelerate the MRI acquisition. In clinical settings, subsampling the k-space
measurements during scanning time using Cartesian trajectories, such as
rectilinear sampling, is currently the most conventional CS approach applied
which, however, is prone to producing aliased reconstructions. With the advent
of the involvement of Deep Learning (DL) in accelerating the MRI,
reconstructing faithful images from subsampled data became increasingly
promising. Retrospectively applying a subsampling mask onto the k-space data is
a way of simulating the accelerated acquisition of k-space data in real
clinical setting. In this paper we compare and provide a review for the effect
of applying either rectilinear or radial retrospective subsampling on the
quality of the reconstructions outputted by trained deep neural networks. With
the same choice of hyper-parameters, we train and evaluate two distinct
Recurrent Inference Machines (RIMs), one for each type of subsampling. The
qualitative and quantitative results of our experiments indicate that the model
trained on data with radial subsampling attains higher performance and learns
to estimate reconstructions with higher fidelity paving the way for other DL
approaches to involve radial subsampling.
- Abstract（参考訳）: ほぼ全ての医学的診断と検査に広く適応しているにもかかわらず、磁気共鳴イメージング(mri)は、ダイナミックイメージングに使用することを制限した遅いイメージングモードである。
近年,Parallel Imaging (PI) とCompressed Sensing (CS) がMRIの獲得を加速するために利用されている。
臨床環境では,直交サンプリングなどの直交軌跡を用いた走査時間におけるk空間測定のサブサンプリングは,現在最も一般的なCSアプローチであるが,エイリアス化の傾向が強い。
MRIの高速化にディープラーニング(DL)が関与するようになると、サブサンプルデータからの忠実なイメージの再構築がますます有望になった。
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
本稿では, 訓練された深層ニューラルネットワークによって出力される再構成の質に対する, 直線的, 放射的リフレクションサブサンプリングの適用効果を比較検討する。
同じハイパーパラメータを選択することで、2つの異なる再帰推論マシン(rim)を訓練し、評価します。
実験の質的、定量的な結果から、ラジアルサブサンプリングを伴うデータにトレーニングされたモデルは高い性能を達成し、ラジアルサブサンプリングを伴う他のdlアプローチへの道を開く高い忠実度で再構成を推定することを学ぶ。
関連論文リスト
- Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。
既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。
画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:54:04Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳（メタデータ） (2023-06-01T10:29:58Z) - A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation [9.388253054229155]
暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。
提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。
良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
論文 参考訳（メタデータ） (2022-10-19T10:16:03Z) - A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。
MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
論文 参考訳（メタデータ） (2022-08-26T18:34:41Z) - 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) - 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) - 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) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z) - 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。