論文の概要: MAC-ReconNet: A Multiple Acquisition Context based Convolutional Neural
Network for MR Image Reconstruction using Dynamic Weight Prediction
- arxiv url: http://arxiv.org/abs/2111.05055v1
- Date: Tue, 9 Nov 2021 11:14:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 16:04:34.512718
- Title: MAC-ReconNet: A Multiple Acquisition Context based Convolutional Neural
Network for MR Image Reconstruction using Dynamic Weight Prediction
- Title（参考訳）: MAC-ReconNet:動的重み予測を用いたMR画像再構成のための複数獲得コンテキストに基づく畳み込みニューラルネットワーク
- Authors: Sriprabha Ramanarayanan, Balamurali Murugesan, Keerthi Ram,
Mohanasankar Sivaprakasam
- Abstract要約: 我々は、MRI再構成のためのMAC-ReconNetと呼ばれる複数の取得コンテキストに基づくネットワークを提案する。
提案手法は心臓と脳のデータセットに基づいて複数のコンテキストを扱えることを示す。
また、列車の時刻に見えないコンテキストでテストすることで、モデルの一般化可能性を示す。
- 参考スコア（独自算出の注目度）: 1.978587235008588
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Convolutional Neural network-based MR reconstruction methods have shown to
provide fast and high quality reconstructions. A primary drawback with a
CNN-based model is that it lacks flexibility and can effectively operate only
for a specific acquisition context limiting practical applicability. By
acquisition context, we mean a specific combination of three input settings
considered namely, the anatomy under study, undersampling mask pattern and
acceleration factor for undersampling. The model could be trained jointly on
images combining multiple contexts. However the model does not meet the
performance of context specific models nor extensible to contexts unseen at
train time. This necessitates a modification to the existing architecture in
generating context specific weights so as to incorporate flexibility to
multiple contexts. We propose a multiple acquisition context based network,
called MAC-ReconNet for MRI reconstruction, flexible to multiple acquisition
contexts and generalizable to unseen contexts for applicability in real
scenarios. The proposed network has an MRI reconstruction module and a dynamic
weight prediction (DWP) module. The DWP module takes the corresponding
acquisition context information as input and learns the context-specific
weights of the reconstruction module which changes dynamically with context at
run time. We show that the proposed approach can handle multiple contexts based
on cardiac and brain datasets, Gaussian and Cartesian undersampling patterns
and five acceleration factors. The proposed network outperforms the naive
jointly trained model and gives competitive results with the context-specific
models both quantitatively and qualitatively. We also demonstrate the
generalizability of our model by testing on contexts unseen at train time.
- Abstract（参考訳）: 畳み込みニューラルネットワークを用いたMR再構成法により,高速かつ高品質な再構成が可能となった。
cnnベースのモデルの主な欠点は、柔軟性がなく、実用的な適用性を制限する特定の取得コンテキストでのみ効果的に動作できることである。
取得コンテキストでは,3つの入力設定,すなわち,研究中の解剖学,アンダーサンプリングマスクパターン,アンダーサンプリングアクセラレーション係数の特定の組み合わせをいう。
モデルは複数のコンテキストを組み合わせた画像に基づいて共同で訓練することができる。
しかし、モデルがコンテキスト固有のモデルのパフォーマンスを満たしたり、列車の時刻に見えないコンテキストに拡張できないりするわけではない。
これは、複数のコンテキストに柔軟性を組み込むために、コンテキスト固有の重みを生成するために既存のアーキテクチャを変更する必要がある。
本稿では,MRI再構成のためのMAC-ReconNetと呼ばれる複数の取得コンテキストに基づくネットワークを提案する。
提案するネットワークはMRI再構成モジュールと動的重み予測(DWP)モジュールを備える。
DWPモジュールは、対応する取得コンテキスト情報を入力として、実行時にコンテキストとともに動的に変化する再構成モジュールのコンテキスト固有の重みを学習する。
提案手法は, 心臓および脳のデータセット, ガウス型およびデカルト型アンダーサンプリングパターン, 5つの加速度因子に基づいて複数の文脈を処理できることを示す。
提案するネットワークは, 有意な協調学習モデルより優れ, 定量的かつ質的に, 文脈固有モデルと競合する結果を与える。
また、列車の時刻に見えないコンテキストでテストすることで、モデルの一般化可能性を示す。
関連論文リスト
- Neural Experts: Mixture of Experts for Implicit Neural Representations [41.395193251292895]
入射神経表現(INR)は、画像、形状、音声、ビデオ再構成など様々なタスクで有効であることが証明されている。
本稿では,局所的な部分的連続関数の学習を可能にする暗黙的ニューラル表現手法(MoE)の混合を提案する。
既存のINRの定式化に専門家アーキテクチャを混在させることで,高速化,精度,メモリ要件が向上することを示す。
論文 参考訳（メタデータ） (2024-10-29T01:11:25Z) - Generalizing Supervised Deep Learning MRI Reconstruction to Multiple and
Unseen Contrasts using Meta-Learning Hypernetworks [1.376408511310322]
本研究の目的は、画像再構成のためのマルチモーダルなメタラーニングモデルを開発することである。
提案モデルは,モード固有の重みを生成するために進化するハイパーネットである。
MRI再建実験の結果, 関節リコンストラクションの精度は, 関節リコンストラクションよりも優れていた。
論文 参考訳（メタデータ） (2023-07-13T14:22:59Z) - Context-Adaptive Deep Neural Networks via Bridge-Mode Connectivity [2.294014185517203]
文脈依存型モデルを学習するための新しい手法を開発した。
複数のレンズを用いた分類タスクにおける文脈定義について検討する。
実験では、モデルの性能が各シナリオのコンテキストに合わせてうまく調整できることが示されている。
論文 参考訳（メタデータ） (2022-11-28T15:21:54Z) - Residual Back Projection With Untrained Neural Networks [1.2707050104493216]
CT(Computed tomography)における反復的再構成(IR)の枠組みについて述べる。
我々のフレームワークは、この構造情報をDIP(Deep Image Prior)として組み込んでいる。
対象関数を最小限に抑え,高精度な再構成を実現するために,未学習のU-netと新たな後方投射を併用して提案する。
論文 参考訳（メタデータ） (2022-10-26T01:58:09Z) - Convolutional Dictionary Learning by End-To-End Training of Iterative
Neural Networks [3.6280929178575994]
本研究では,教師付きおよび物理情報を用いたオンライン畳み込み辞書学習アルゴリズムとして利用可能な INN を構築する。
提案手法は,従来の2つのモデルに依存しない訓練法よりも改善され,深い INN と比較して競争結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-09T12:15:38Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - Model LEGO: Creating Models Like Disassembling and Assembling Building Blocks [53.09649785009528]
本稿では,新しいモデルを得るためのトレーニングを必要としないパラダイムについて検討する。
生体視覚系における受容野にインスパイアされたCNNの誕生と同様、モデル分解と組み立てを提案する。
モデル組立には、特定のタスクに適した新しいモデルを構築するために、アライメントパディング戦略とパラメータスケーリング戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T05:27:28Z) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳（メタデータ） (2021-12-01T13:23:00Z) - Multi-Scale Semantics-Guided Neural Networks for Efficient
Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。
MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-11-07T03:50:50Z) - Meta-learning using privileged information for dynamics [66.32254395574994]
Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。
シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
論文 参考訳（メタデータ） (2021-04-29T12:18:02Z) - Learning Deep Interleaved Networks with Asymmetric Co-Attention for
Image Restoration [65.11022516031463]
本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。
本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。
提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
論文 参考訳（メタデータ） (2020-10-29T15:32:00Z)
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。