論文の概要: Multi-modal Aggregation Network for Fast MR Imaging

• arxiv url: http://arxiv.org/abs/2110.08080v1
• Date: Fri, 15 Oct 2021 13:16:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 19:08:41.211282
• Title: Multi-modal Aggregation Network for Fast MR Imaging
• Title（参考訳）: 高速mrイメージングのためのマルチモーダルアグリゲーションネットワーク
• Authors: Chun-Mei Feng and Huazhu Fe and Tianfei Zhou and Yong Xu and Ling Shao and David Zhang
• Abstract要約: 我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
• 参考スコア（独自算出の注目度）: 85.25000133194762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance (MR) imaging is a commonly used scanning technique for disease detection, diagnosis and treatment monitoring. Although it is able to produce detailed images of organs and tissues with better contrast, it suffers from a long acquisition time, which makes the image quality vulnerable to say motion artifacts. Recently, many approaches have been developed to reconstruct full-sampled images from partially observed measurements in order to accelerate MR imaging. However, most of these efforts focus on reconstruction over a single modality or simple fusion of multiple modalities, neglecting the discovery of correlation knowledge at different feature level. In this work, we propose a novel Multi-modal Aggregation Network, named MANet, which is capable of discovering complementary representations from a fully sampled auxiliary modality, with which to hierarchically guide the reconstruction of a given target modality. In our MANet, the representations from the fully sampled auxiliary and undersampled target modalities are learned independently through a specific network. Then, a guided attention module is introduced in each convolutional stage to selectively aggregate multi-modal features for better reconstruction, yielding comprehensive, multi-scale, multi-modal feature fusion. Moreover, our MANet follows a hybrid domain learning framework, which allows it to simultaneously recover the frequency signal in the $k$-space domain as well as restore the image details from the image domain. Extensive experiments demonstrate the superiority of the proposed approach over state-of-the-art MR image reconstruction methods.
• Abstract（参考訳）: 磁気共鳴(mr)イメージングは、疾患の検出、診断、治療監視に一般的に用いられる走査技術である。 臓器や組織の詳細な画像をより良いコントラストで生成することは可能だが、長い取得時間に苦しむため、画像の品質は運動アーチファクトに対して脆弱である。 近年,MRI画像の高速化を目的として,部分観察画像からフルサンプリング画像を再構成する手法が数多く開発されている。 しかしながら、これらの取り組みの多くは、単一のモダリティまたは複数のモダリティの単純な融合による再構築に焦点を当てており、異なる特徴レベルで相関知識の発見を無視している。 本研究では,完全サンプルの補助モダリティから相補表現を探索し,与えられた対象モダリティの再構成を階層的にガイドする,manetと呼ばれる新しいマルチモーダルアグリゲーションネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンダーサンプリングされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 次に、各畳み込み段にガイドアテンションモジュールを導入し、より優れた再構築のためにマルチモーダル特徴を選択的に集約し、包括的、マルチスケール、マルチモーダル特徴融合を実現する。 さらに,k$-spaceドメイン内の周波数信号を同時に復元し,画像領域から画像詳細を復元する,ハイブリッドドメイン学習フレームワークも採用している。 広範な実験により,最先端mr画像再構成法における提案手法の優位性が実証された。

関連論文リスト

• Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction [3.9681863841849623]
  我々はMR画像とエッジの両方に固有の個別正規化器を組み込むだけでなく、協調正規化器を強制してそれらの相関を効果的に確立するジョイントエッジ最適化モデルを構築した。 具体的には、エッジ情報を非エッジ確率マップで定義し、最適化プロセス中に画像再構成を誘導する。 一方、画像やエッジに関連するレギュレータは、それぞれ固有のアプリオリ情報を自動的に学習するために、深く展開するネットワークに組み込まれる。
  論文  参考訳（メタデータ） (2024-05-09T05:51:33Z)
• Multi-task Magnetic Resonance Imaging Reconstruction using Meta-learning [3.083408283778178]
  本稿では,複数のMR画像データセットから画像特徴を効率的に学習するメタラーニング手法を提案する。 実験により,複数のMRIデータセットから得られた高度にアンサンプされたk空間データを同時に再構成するメタラーニング再構成手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-29T04:02:51Z)
• Correlated and Multi-frequency Diffusion Modeling for Highly Under-sampled MRI Reconstruction [14.687337090732036]
  既存のMRI再建法の多くは、特定の組織領域を考慮せずに、全MR画像のtar-geted再構成を行う。 これは、診断のための重要でない組織に対する再構成精度を強調できない可能性がある。 そこで本研究では,k空間データの特性と拡散過程を組み合わせることで,マルチ周波数先行のマイニングに焦点をあてる。
  論文  参考訳（メタデータ） (2023-09-02T07:51:27Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
  対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。 ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。 本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:13:46Z)
• 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)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Robust Image Reconstruction with Misaligned Structural Information [0.27074235008521236]
  再建と登録を共同で行う変分フレームワークを提案する。 我々のアプローチは、異なるモダリティに対してこれを最初に達成し、再構築と登録の両方の精度で確立されたアプローチを上回ります。
  論文  参考訳（メタデータ） (2020-04-01T17:21:25Z)

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。