論文の概要: A review of deep learning methods for MRI reconstruction

• arxiv url: http://arxiv.org/abs/2109.08618v1
• Date: Fri, 17 Sep 2021 15:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-20 14:43:42.065194
• Title: A review of deep learning methods for MRI reconstruction
• Title（参考訳）: MRI再建のためのディープラーニング手法の検討
• Authors: Arghya Pal, Yogesh Rathi
• Abstract要約: コンピュータビジョンと画像処理のための深層学習技術に触発された多くのアイデアが、MRIの高速化のための圧縮センシングの精神における非線形画像再構成に成功している。 本稿では,並列画像の改良に特化して提案されているニューラルネットベースのアプローチの最近の展開について概説する。
• 参考スコア（独自算出の注目度）: 8.37609145576126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Following the success of deep learning in a wide range of applications, neural network-based machine-learning techniques have received significant interest for accelerating magnetic resonance imaging (MRI) acquisition and reconstruction strategies. A number of ideas inspired by deep learning techniques for computer vision and image processing have been successfully applied to nonlinear image reconstruction in the spirit of compressed sensing for accelerated MRI. Given the rapidly growing nature of the field, it is imperative to consolidate and summarize the large number of deep learning methods that have been reported in the literature, to obtain a better understanding of the field in general. This article provides an overview of the recent developments in neural-network based approaches that have been proposed specifically for improving parallel imaging. A general background and introduction to parallel MRI is also given from a classical view of k-space based reconstruction methods. Image domain based techniques that introduce improved regularizers are covered along with k-space based methods which focus on better interpolation strategies using neural networks. While the field is rapidly evolving with thousands of papers published each year, in this review, we attempt to cover broad categories of methods that have shown good performance on publicly available data sets. Limitations and open problems are also discussed and recent efforts for producing open data sets and benchmarks for the community are examined.
• Abstract（参考訳）: ディープラーニングの幅広い応用の成功に続いて、ニューラルネットワークベースの機械学習技術は、MRI(MRI)の獲得と再構築戦略の加速に大きな関心を集めている。 コンピュータビジョンと画像処理のための深層学習技術に触発された多くのアイデアが、MRIの高速化のための圧縮センシングの精神における非線形画像再構成に成功している。 この分野の急速に成長する性質を考えると、文献で報告されている多くの深層学習手法の統合と要約が不可欠であり、一般にその分野の理解を深める必要がある。 本稿では,並列イメージングの改善に特に提案されているニューラルネットワークに基づくアプローチの最近の進歩の概要について述べる。 一般的な背景と並列MRIの導入は、k空間に基づく再構成手法の古典的な見方からもたらされる。 改良された正規化器を導入するイメージドメインベースの技術は、ニューラルネットワークを用いた補間戦略の改善に焦点を当てたk空間ベースの手法とともにカバーされる。 この分野は、毎年何千もの論文が公表されて急速に進化していますが、本レビューでは、公開データセットで優れたパフォーマンスを示す方法の幅広いカテゴリをカバーしようとしています。 制約やオープン問題についても論じ、近年ではコミュニティ向けのオープンデータセットやベンチマークを作成する取り組みも検討されている。

関連論文リスト

• Enhance the Image: Super Resolution using Artificial Intelligence in MRI [10.00462384555522]
  本章では,MRIの空間分解能向上のためのディープラーニング技術の概要を紹介する。 深層学習に基づくMRI超解像の実現可能性と信頼性に関する課題と今後の展望について論じる。
  論文  参考訳（メタデータ） (2024-06-19T15:19:41Z)
• Deep Learning for Accelerated and Robust MRI Reconstruction: a Review [28.663292249133864]
  磁気共鳴イメージング(MRI)の重要技術として深層学習(DL)が登場した 本稿では,MRI再建のためのDLの最近の進歩について概説する。
  論文  参考訳（メタデータ） (2024-04-24T07:02:03Z)
• Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
  磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。 これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。 我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T16:19:07Z)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• 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)
• 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)
• Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
  ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。 この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
  論文  参考訳（メタデータ） (2021-09-28T20:22:44Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)

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。