論文の概要: Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework

• arxiv url: http://arxiv.org/abs/2109.12502v1
• Date: Sun, 26 Sep 2021 06:09:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:17:48.638036
• Title: Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework
• Title（参考訳）: 並列ネットワーク学習フレームワークを用いたMRI再構成のための自己教師付き学習
• Authors: Chen Hu, Cheng Li, Haifeng Wang, Qiegen Liu, Hairong Zheng and Shanshan Wang
• Abstract要約: 提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。 本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 24.46388892324129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image reconstruction from undersampled k-space data plays an important role in accelerating the acquisition of MR data, and a lot of deep learning-based methods have been exploited recently. Despite the achieved inspiring results, the optimization of these methods commonly relies on the fully-sampled reference data, which are time-consuming and difficult to collect. To address this issue, we propose a novel self-supervised learning method. Specifically, during model optimization, two subsets are constructed by randomly selecting part of k-space data from the undersampled data and then fed into two parallel reconstruction networks to perform information recovery. Two reconstruction losses are defined on all the scanned data points to enhance the network's capability of recovering the frequency information. Meanwhile, to constrain the learned unscanned data points of the network, a difference loss is designed to enforce consistency between the two parallel networks. In this way, the reconstruction model can be properly trained with only the undersampled data. During the model evaluation, the undersampled data are treated as the inputs and either of the two trained networks is expected to reconstruct the high-quality results. The proposed method is flexible and can be employed in any existing deep learning-based method. The effectiveness of the method is evaluated on an open brain MRI dataset. Experimental results demonstrate that the proposed self-supervised method can achieve competitive reconstruction performance compared to the corresponding supervised learning method at high acceleration rates (4 and 8). The code is publicly available at \url{https://github.com/chenhu96/Self-Supervised-MRI-Reconstruction}.
• Abstract（参考訳）: アンサンプされたk空間データからの画像再構成は,MRデータの獲得を促進する上で重要な役割を担い,近年,多くの深層学習手法が活用されている。 達成されたインスピレーションの結果にもかかわらず、これらの手法の最適化は一般的に、時間と収集が困難である完全サンプリングされた参照データに依存している。 そこで本研究では,新たな自己教師型学習手法を提案する。 具体的には、モデル最適化において、アンダーサンプルデータからk空間データの一部をランダムに選択し、2つの並列再構成ネットワークに入力して情報回復を行う。 スキャンされた全データポイントに2つの再構成損失が定義され、周波数情報を回復するネットワークの能力が向上する。 一方、学習したネットワークの未スキャンデータポイントを制限するために、2つの並列ネットワーク間の一貫性を強制するために差分損失を設計する。 このようにして、アンダーサンプルデータのみを用いて再構成モデルを適切に訓練することができる。 モデル評価において、アンダーサンプルデータを入力として扱い、2つのトレーニングされたネットワークのいずれかが高品質な結果の再構築を期待する。 提案手法は柔軟であり,既存の深層学習法でも適用可能である。 本手法の有効性を、オープン脳MRIデータセットを用いて評価する。 実験の結果, 提案手法は, 高加速率 (4, 8) の教師あり学習法と比較して, 競争力のある再構築性能が得られることがわかった。 コードは \url{https://github.com/chenhu96/Self-Supervised-MRI-Reconstruction} で公開されている。

関連論文リスト

• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
  合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。 実験結果から,本手法は既存手法よりも一貫した改善が得られた。 我々の手法はデータ効率が良く、競争のベースラインより優れています。
  論文  参考訳（メタデータ） (2023-11-27T06:19:50Z)
• Iterative self-transfer learning: A general methodology for response time-history prediction based on small dataset [0.0]
  本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。 提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T18:48:04Z)
• SelfCoLearn: Self-supervised collaborative learning for accelerating dynamic MR imaging [15.575332712603172]
  本稿では, アンダーサンプされたk空間データから, 動的MR画像の正確な再構成を行うための自己教師付き協調学習フレームワーク(SelfCoLearn)を提案する。 提案フレームワークは,2つのネットワーク協調学習,データ拡張のアンサンプ化,特別に設計された協調学習損失という,3つの重要なコンポーネントを備える。 その結果,本手法は,アンダーサンプされたk空間データから,本質的,本質的表現を抽出する能力を持つことがわかった。
  論文  参考訳（メタデータ） (2022-08-08T04:01:26Z)
• PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI [47.24613772568027]
  圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。 本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。 2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-24T04:23:57Z)
• PARCEL: Physics-based unsupervised contrastive representation learning for parallel MR imaging [9.16860702327751]
  本稿では,並列MR画像の高速化を目的とした物理に基づく非教師付きコントラスト表現学習(PARCEL)法を提案する。 具体的には、PARCELは、アンダーサンプリングされたk空間データから直接の深層学習を実現するために、3つの重要な要素を持っている。 MR画像の固有の特徴や表現を捉えるために、2つのネットワークをガイドするために、特別に設計されたコトレーニング損失が設計されている。
  論文  参考訳（メタデータ） (2022-02-03T10:09:19Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted Deep Learning [14.62432715967572]
  我々は,既存のビッグデータから事前知識を学習するための,マルチタスク深層学習手法を開発した。 次に,これらを用いて,アンダーサンプリングしたk空間データからMR再構成とセグメンテーションを同時支援する。 提案手法は,同時的かつ正確なMR再構成とセグメンテーションの促進機能を有することを示す。
  論文  参考訳（メタデータ） (2020-11-27T09:08:05Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。