論文の概要: Contrastive Learning for Local and Global Learning MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2111.15200v1
- Date: Tue, 30 Nov 2021 08:23:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 01:04:31.514916
- Title: Contrastive Learning for Local and Global Learning MRI Reconstruction
- Title（参考訳）: 局所的およびグローバル学習mri再構成のためのコントラスト学習
- Authors: Qiaosi Yi, Jinhao Liu, Le Hu, Faming Fang, and Guixu Zhang
- Abstract要約: 局所・グローバル学習型MRI再構成ネットワーク(CLGNet)のためのコントラスト学習を提案する。
具体的には、フーリエ理論によれば、フーリエ領域の各値は空間領域の全ての値から計算される。
自己アテンションとトランスフォーマーと比較して、SFLはより強力な学習能力を持ち、より少ない時間でより良いパフォーマンスを達成することができる。
- 参考スコア（独自算出の注目度）: 25.279021256319467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic Resonance Imaging (MRI) is an important medical imaging modality,
while it requires a long acquisition time. To reduce the acquisition time,
various methods have been proposed. However, these methods failed to
reconstruct images with a clear structure for two main reasons. Firstly,
similar patches widely exist in MR images, while most previous deep
learning-based methods ignore this property and only adopt CNN to learn local
information. Secondly, the existing methods only use clear images to constrain
the upper bound of the solution space, while the lower bound is not
constrained, so that a better parameter of the network cannot be obtained. To
address these problems, we propose a Contrastive Learning for Local and Global
Learning MRI Reconstruction Network (CLGNet). Specifically, according to the
Fourier theory, each value in the Fourier domain is calculated from all the
values in Spatial domain. Therefore, we propose a Spatial and Fourier Layer
(SFL) to simultaneously learn the local and global information in Spatial and
Fourier domains. Moreover, compared with self-attention and transformer, the
SFL has a stronger learning ability and can achieve better performance in less
time. Based on the SFL, we design a Spatial and Fourier Residual block as the
main component of our model. Meanwhile, to constrain the lower bound and upper
bound of the solution space, we introduce contrastive learning, which can pull
the result closer to the clear image and push the result further away from the
undersampled image. Extensive experimental results on different datasets and
acceleration rates demonstrate that the proposed CLGNet achieves new
state-of-the-art results.
- Abstract（参考訳）: 磁気共鳴イメージング(mri)は重要な医用画像のモダリティであるが、取得には長い時間を要する。
取得時間を削減するため,様々な手法が提案されている。
しかし、これらの手法は2つの主な理由から明確な構造を持つ画像の復元に失敗した。
第一に、同様のパッチはMR画像に広く存在するが、従来のディープラーニングベースの手法はこの特性を無視し、ローカル情報を学ぶためにCNNのみを採用する。
第二に、既存の手法では解空間の上界を制約するためにクリア画像のみを使用するが、下界は制約されないため、ネットワークのより良いパラメータを得ることができない。
このような問題に対処するため,ローカル・グローバル・ラーニングMRI再構成ネットワーク(CLGNet)を提案する。
具体的には、フーリエ理論によれば、フーリエ領域の各値は空間領域内のすべての値から計算される。
そこで本稿では,空間・フーリエ領域における局所情報とグローバル情報を同時に学習するための空間・フーリエ層(SFL)を提案する。
さらに、自己着脱や変圧器と比較して、sflは学習能力が強く、少ない時間で優れた性能を達成できる。
SFLに基づいて,モデルの主成分として空間的およびフーリエ的残差ブロックを設計する。
一方、解空間の下界と上界を制約するために、比較学習を導入し、その結果をクリア画像に近づけ、その結果をアンサンプリング画像から遠ざけることができる。
異なるデータセットと加速度速度に関する大規模な実験結果から、提案したCLGNetが新たな最先端の結果を得ることを示す。
関連論文リスト
- Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。
本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。
本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
論文 参考訳（メタデータ） (2024-02-28T09:27:41Z) - Deep Learning-based MRI Reconstruction with Artificial Fourier Transform (AFT)-Net [14.146848823672677]
複合価値ディープラーニングフレームワーク-Artificial Fourier Transform Network (AFTNet)を導入する。
AFTNetは、ドメイン変換における画像逆問題の解決に容易に利用できる。
AFTNetは既存のアプローチに比べ,MRIの高速化に優れることを示す。
論文 参考訳（メタデータ） (2023-12-18T02:50:45Z) - Image Reconstruction for Accelerated MR Scan with Faster Fourier
Convolutional Neural Networks [87.87578529398019]
部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。
本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。
2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。
k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
論文 参考訳（メタデータ） (2023-06-05T13:53:57Z) - Multi-Frequency-Aware Patch Adversarial Learning for Neural Point Cloud
Rendering [7.522462414919854]
ニューラルポイントクラウドレンダリングパイプラインを、新しいマルチ周波数対応パッチ対向学習フレームワークを通じて提示する。
提案手法は,実画像と合成画像のスペクトル差を最小化することにより,レンダリングの精度を向上させることを目的としている。
提案手法は,ニューラルポイントクラウドレンダリングにおける最先端の結果を有意差で生成する。
論文 参考訳（メタデータ） (2022-10-07T16:54:15Z) - Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。
降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。
提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
論文 参考訳（メタデータ） (2022-07-21T12:50:54Z) - SiPRNet: End-to-End Learning for Single-Shot Phase Retrieval [8.820823270160695]
畳み込みニューラルネットワーク(CNN)は、様々な画像再構成タスクにおいて重要な役割を果たしている。
本稿では,1つのフーリエ強度測定から信号を取得するために,SiPRNetという新しいCNN構造を設計する。
提案手法は、シングルショットマスクレス位相検索において、他のCNNおよび従来の最適化手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2022-05-23T16:24:52Z) - Functional Regularization for Reinforcement Learning via Learned Fourier
Features [98.90474131452588]
本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。
その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
論文 参考訳（メタデータ） (2021-12-06T18:59:52Z) - 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) - 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) - Joint Frequency and Image Space Learning for MRI Reconstruction and
Analysis [7.821429746599738]
本稿では、周波数空間データから再構成するための汎用的なビルディングブロックとして、周波数と画像の特徴表現を明示的に組み合わせたニューラルネットワーク層が利用できることを示す。
提案した共同学習方式により、周波数空間に固有のアーティファクトの補正と画像空間表現の操作を両立させ、ネットワークのすべての層でコヒーレントな画像構造を再構築することができる。
論文 参考訳（メタデータ） (2020-07-02T23:54:46Z) - Frequency learning for image classification [1.9336815376402716]
本稿では、トレーニング可能な周波数フィルタからなる入力画像のフーリエ変換を探索する新しい手法を提案する。
画像ブロックの周波数領域表現からグローバル特徴とローカル特徴の両方を学習するスライシング手法を提案する。
論文 参考訳（メタデータ） (2020-06-28T00:32:47Z)
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。