論文の概要: Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2111.09639v1
- Date: Thu, 18 Nov 2021 11:44:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 15:13:05.186037
- Title: Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction
- Title（参考訳）: リカレント変分ネットワーク: 高速化MRI再構成作業に応用したディープラーニング逆問題解法
- Authors: George Yiasemis, Clara I. S\'anchez, Jan-Jakob Sonke, Jonas Teuwen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.058685580689605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging can produce detailed images of the anatomy and
physiology of the human body that can assist doctors in diagnosing and treating
pathologies such as tumours. However, MRI suffers from very long acquisition
times that make it susceptible to patient motion artifacts and limit its
potential to deliver dynamic treatments. Conventional approaches such as
Parallel Imaging and Compressed Sensing allow for an increase in MRI
acquisition speed by reconstructing MR images by acquiring less MRI data using
multiple receiver coils. Recent advancements in Deep Learning combined with
Parallel Imaging and Compressed Sensing techniques have the potential to
produce high-fidelity reconstructions from highly accelerated MRI data. In this
work we present a novel Deep Learning-based Inverse Problem solver applied to
the task of accelerated MRI reconstruction, called Recurrent Variational
Network (RecurrentVarNet) by exploiting the properties of Convolution Recurrent
Networks and unrolled algorithms for solving Inverse Problems. The
RecurrentVarNet consists of multiple blocks, each responsible for one unrolled
iteration of the gradient descent optimization algorithm for solving inverse
problems. Contrary to traditional approaches, the optimization steps are
performed in the observation domain ($k$-space) instead of the image domain.
Each recurrent block of RecurrentVarNet refines the observed $k$-space and is
comprised of a data consistency term and a recurrent unit which takes as input
a learned hidden state and the prediction of the previous block. Our proposed
method achieves new state of the art qualitative and quantitative
reconstruction results on 5-fold and 10-fold accelerated data from a public
multi-channel brain dataset, outperforming previous conventional and deep
learning-based approaches. We will release all models code and baselines on our
public repository.
- Abstract（参考訳）: 磁気共鳴イメージングは、腫瘍などの病理の診断と治療を支援する人体の解剖学と生理学の詳細な画像を生成することができる。
しかし、MRIは、患者の運動アーティファクトに影響を受けやすく、ダイナミックな治療を提供する可能性を制限する、非常に長い取得時間に悩まされている。
並列イメージングや圧縮センシングのような従来のアプローチでは、複数の受信コイルを用いてMRIデータを少ない精度で取得することで、MRI画像の再構成によりMRIの取得速度が向上する。
近年のDeep LearningとParallel ImagingとCompressed Sensingの併用により、高速度MRIデータから高忠実度再構成が実現されている。
本稿では,Recurrent Variational Network (RecurrentVarNet) と呼ばれる,畳み込みリカレントネットワークの特性と,逆問題解決のためのアンロールアルゴリズムを利用して,MRIの高速化作業に適用した新しい逆問題解法を提案する。
recurrentvarnetは複数のブロックで構成され、それぞれが逆問題を解くための勾配降下最適化アルゴリズムの1つの未ロールイテレーションを担当している。
従来のアプローチとは対照的に、最適化手順は画像領域ではなく観察領域($k$-space)で行われる。
RecurrentVarNetの各リカレントブロックは、観測された$k$-スペースを洗練し、データ一貫性項と、学習された隠れ状態と前のブロックの予測を入力とするリカレントユニットから構成される。
提案手法は,一般のマルチチャネル脳データセットから5倍および10倍の加速度データに対して,従来型および深層学習に基づくアプローチを上回って,新しい質的,定量的な再構築結果を得る。
すべてのモデルコードとベースラインをパブリックリポジトリにリリースします。
関連論文リスト
- Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。
提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文 参考訳（メタデータ） (2023-10-10T13:46:11Z) - 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) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳（メタデータ） (2022-06-15T03:42:18Z) - Scale-Equivariant Unrolled Neural Networks for Data-Efficient
Accelerated MRI Reconstruction [33.82162420709648]
本稿では,大規模同変畳み込みニューラルネットワークを用いたニューラルネットワークの近位演算子をモデル化する。
我々のアプローチは、同じメモリ制約下での最先端のアンロールニューラルネットワークに対する強力な改善を示す。
論文 参考訳（メタデータ） (2022-04-21T23:29:52Z) - 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 Aggregation Network for Fast MR Imaging [85.25000133194762]
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。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - 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) - 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) - ODE-based Deep Network for MRI Reconstruction [1.569044447685249]
画像品質を向上したMR画像の高速取得を実現するために,MRI再構成のためのODEベースのディープネットワークを提案する。
提案手法は, 標準UNetネットワークとResidualネットワークをベースとした再構成手法と比較して, 高品質な画像を提供できることを示す。
論文 参考訳（メタデータ） (2019-12-27T20:13:30Z)
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。