論文の概要: Highly accelerated MR parametric mapping by undersampling the k-space
and reducing the contrast number simultaneously with deep learning
- arxiv url: http://arxiv.org/abs/2112.00730v1
- Date: Wed, 1 Dec 2021 07:29:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 13:40:31.723212
- Title: Highly accelerated MR parametric mapping by undersampling the k-space
and reducing the contrast number simultaneously with deep learning
- Title(参考訳): k空間アンダーサンプリングによるMRパラメトリックマッピングの高速化と深層学習によるコントラスト数低減
- Authors: Yanjie Zhu, Haoxiang Li, Yuanyuan Liu, Muzi Guo, Guanxun Cheng, Gang
Yang, Haifeng Wang and Dong Liang
- Abstract要約: 高速MRパラメトリックマッピングのためのRG-Net (reconstruction and generation network) と呼ばれる新しい深層学習手法を提案する。
フレームワークは再構築モジュールと生成モジュールから構成される。
RG-Netは17の加速速度で高品質なT1rhoマップを得る。
- 参考スコア(独自算出の注目度): 18.839338336031577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: To propose a novel deep learning-based method called RG-Net
(reconstruction and generation network) for highly accelerated MR parametric
mapping by undersampling k-space and reducing the acquired contrast number
simultaneously.
Methods: The proposed framework consists of a reconstruction module and a
generative module. The reconstruction module reconstructs MR images from the
acquired few undersampled k-space data with the help of a data prior. The
generative module then synthesizes the remaining multi-contrast images from the
reconstructed images, where the exponential model is implicitly incorporated
into the image generation through the supervision of fully sampled labels. The
RG-Net was evaluated on the T1\r{ho} mapping data of knee and brain at
different acceleration rates. Regional T1\r{ho} analysis for cartilage and the
brain was performed to access the performance of RG-Net.
Results: RG-Net yields a high-quality T1\r{ho} map at a high acceleration
rate of 17. Compared with the competing methods that only undersample k-space,
our framework achieves better performance in T1\r{ho} value analysis. Our
method also improves quality of T1\r{ho} maps on patient with glioma.
Conclusion: The proposed RG-Net that adopted a new strategy by undersampling
k-space and reducing the contrast number simultaneously for fast MR parametric
mapping, can achieve a high acceleration rate while maintaining good
reconstruction quality. The generative module of our framework can also be used
as an insert module in other fast MR parametric mapping methods.
Keywords: Deep learning, convolutional neural network, fast MR parametric
mapping
- Abstract(参考訳): 目的:k空間のアンサンプリングと取得したコントラスト数を同時に削減することにより,mrパラメトリックマッピングを高度に高速化する,rg-net(reconstruction and generation network)と呼ばれる新しい深層学習ベース手法を提案する。
方法:提案するフレームワークは,再構成モジュールと生成モジュールから構成される。
再構成モジュールは、取得した数少ないアンサンプされたk空間データから、予めデータの助けを借りてMR画像を再構成する。
生成モジュールは、残りの多重コントラスト画像を再構成された画像から合成し、指数モデルを全サンプルラベルの監督により画像生成に暗黙的に組み込む。
RG-Netは膝と脳のT1\r{ho}マッピングデータを異なる加速度速度で評価した。
軟骨と脳の局所的T1\r{ho}解析を行い,RG-Netの性能について検討した。
結果: RG-Netは17の加速速度で高品質なT1\r{ho}写像を得る。
k-空間をアンサンプする競合する手法と比較して、我々のフレームワークはT1\r{ho}値解析においてより良い性能を達成する。
また, グリオーマ患者のT1\r{ho}マップの品質も改善した。
結論: k空間をアンサンプリングし,高速なmrパラメトリックマッピングのためのコントラスト数を同時に削減する新しい戦略を採用したrg-netは,良好な再構成品質を維持しつつ高い加速率を達成できる。
我々のフレームワークの生成モジュールは、他の高速MRパラメトリックマッピング手法の挿入モジュールとしても使用できる。
キーワード:ディープラーニング、畳み込みニューラルネットワーク、高速なmrパラメトリックマッピング
関連論文リスト
- MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。
最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
論文 参考訳(メタデータ) (2023-04-25T05:44:50Z) - LARO: Learned Acquisition and Reconstruction Optimization to accelerate
Quantitative Susceptibility Mapping [24.665782241561185]
Learned Acquisition and Reconstruction Optimization (LARO) は、定量的感受性マッピング(QSM)のためのマルチエコー勾配エコー(mGRE)パルスシーケンスを高速化することを目的としている。
提案手法では, 深部再構成ネットワークを用いて, モンテカルロマルチエコk空間サンプリングパターンを最適化する。
本研究は,最適化されたサンプリングパターンと提案した再構成戦略の両方が,マルチエコ画像再構成の品質向上に有効であることを示す。
論文 参考訳(メタデータ) (2022-11-01T20:04:29Z) - Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with
GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。
提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文 参考訳(メタデータ) (2022-09-19T07:26:45Z) - PUERT: Probabilistic Under-sampling and Explicable Reconstruction
Network for CS-MRI [47.24613772568027]
圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。
本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。
2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
論文 参考訳(メタデータ) (2022-04-24T04:23:57Z) - Single-pass Object-adaptive Data Undersampling and Reconstruction for
MRI [6.599344783327054]
本稿では,畳み込みニューラルネットワークMNetを用いたデータ駆動型サンプリング手法を提案する。
ネットワークは、各オブジェクトに対する非常に限られた低周波k空間データを観測し、所望のアンダーサンプリングパターンを迅速に予測する。
高速MRI膝関節データセットの実験結果から,提案した学習アンダーサンプリングネットワークを用いて,4倍,8倍の加速度で物体特異的マスクを生成できることが示された。
論文 参考訳(メタデータ) (2021-11-17T16:06:06Z) - Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information
Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。
公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文 参考訳(メタデータ) (2021-11-11T04:04:48Z) - Dual-Octave Convolution for Accelerated Parallel MR Image Reconstruction [75.35200719645283]
本稿では,実物と虚構の両方から,多次元空間周波数特徴を学習可能なDual-Octave Convolution(Dual-OctConv)を提案する。
オクターブ畳み込みによる複雑な操作を改質することで、MR画像のよりリッチな表現を捉える強力な能力を示す。
論文 参考訳(メタデータ) (2021-04-12T10:51:05Z) - 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) - ReconResNet: Regularised Residual Learning for MR Image Reconstruction
of Undersampled Cartesian and Radial Data [0.3694429692322631]
データの一部(アンダーサンプリング)を無視して取得速度を上げることができる
これにより、解像度の低下や画像アーティファクトの導入など、画質が劣化する。
深層学習は研究の非常に重要な分野として現れ、逆問題の解決に大きな可能性を示してきました。
論文 参考訳(メタデータ) (2021-03-16T17:24:30Z) - Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering
Incorporating Morphological Reconstruction and Wavelet Frames for Image
Segmentation [152.609322951917]
そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。
提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
論文 参考訳(メタデータ) (2020-02-21T05:19:10Z)
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。