論文の概要: Joint alignment and reconstruction of multislice dynamic MRI using
variational manifold learning
- arxiv url: http://arxiv.org/abs/2111.10889v1
- Date: Sun, 21 Nov 2021 20:03:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 05:32:33.644394
- Title: Joint alignment and reconstruction of multislice dynamic MRI using
variational manifold learning
- Title(参考訳): 変分多様体学習を用いたマルチスライスダイナミックMRIの関節アライメントと再構成
- Authors: Qing Zou, Abdul Haseeb Ahmed, Prashant Nagpal, Sarv Priya, Rolf F
Schulte, Mathews Jacob
- Abstract要約: マルチスライスダイナミックMRIの関節アライメントと再構成のための教師なし変分深部多様体学習手法を提案する。
提案手法は,各スライスに対する深部ネットワークのパラメータと潜伏ベクトルを併用して学習し,特定の対象のk-t空間データから運動誘起動的変動を捉える。
- 参考スコア(独自算出の注目度): 21.008762019705433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Free-breathing cardiac MRI schemes are emerging as competitive alternatives
to breath-held cine MRI protocols, enabling applicability to pediatric and
other population groups that cannot hold their breath. Because the data from
the slices are acquired sequentially, the cardiac/respiratory motion patterns
may be different for each slice; current free-breathing approaches perform
independent recovery of each slice. In addition to not being able to exploit
the inter-slice redundancies, manual intervention or sophisticated
post-processing methods are needed to align the images post-recovery for
quantification. To overcome these challenges, we propose an unsupervised
variational deep manifold learning scheme for the joint alignment and
reconstruction of multislice dynamic MRI. The proposed scheme jointly learns
the parameters of the deep network as well as the latent vectors for each
slice, which capture the motion-induced dynamic variations, from the k-t space
data of the specific subject. The variational framework minimizes the
non-uniqueness in the representation, thus offering improved alignment and
reconstructions.
- Abstract(参考訳): 自由呼吸型心臓MRIは、呼吸を持てない小児や他の集団に適用可能な、呼吸保持型脳MRIプロトコルの競合代替手段として出現している。
スライスからのデータは順次取得されるので、スライス毎に心/呼吸運動パターンが異なる可能性があり、現在の自由呼吸アプローチでは、スライス毎に独立して回復する。
スライス間冗長性を活用できないことに加えて、定量化のための画像の調整には手作業による介入や高度な後処理が必要となる。
これらの課題を克服するために,マルチスライスダイナミックMRIの関節アライメントと再構成のための教師なし変分学習手法を提案する。
提案手法は,各スライスに対する深部ネットワークのパラメータと潜伏ベクトルを併用して学習し,特定の対象のk-t空間データから運動誘起動的変動を捉える。
変分フレームワークは表現の非特異性を最小化し、改善されたアライメントと再構成を提供する。
関連論文リスト
- Unsupervised Adaptive Implicit Neural Representation Learning for
Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。
我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。
提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文 参考訳(メタデータ) (2023-12-01T16:00:16Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - Fill the K-Space and Refine the Image: Prompting for Dynamic and
Multi-Contrast MRI Reconstruction [31.404228406642194]
ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。
本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。
提案手法は,従来の高速MRI再建法より有意に優れていた。
論文 参考訳(メタデータ) (2023-09-25T02:51:00Z) - Cross-Modal Vertical Federated Learning for MRI Reconstruction [42.527873703840996]
フェデレート・ラーニング(Federated Learning)は、複数の病院がプライバシーの開示なしに共有モデルを共同で学習することを可能にする。
我々は、MRI再建を促進するための新しいフレームワーク、フェデレート・一貫性規則化制約付き特徴分散(Fed-CRFD)を開発した。
本手法は,領域シフト問題を緩和しつつ,病院からのマルチソースデータを完全に活用することができる。
論文 参考訳(メタデータ) (2023-06-05T08:07:01Z) - 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) - 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) - 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) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Isotropic multichannel total variation framework for joint
reconstruction of multicontrast parallel MRI [0.0]
我々は、等方性MC画像正規化器を導入し、圧縮MCマルチコイルMRIに統合することで、その潜在能力を最大限に発揮する。
提案した等方的正則化器は、最先端の再構築法の多くより優れている。
論文 参考訳(メタデータ) (2020-06-07T11:44:54Z)
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。