Fugu-MT 論文翻訳(概要): Accurate parameter estimation using scan-specific unsupervised deep learning for relaxometry and MR fingerprinting

論文の概要: Accurate parameter estimation using scan-specific unsupervised deep learning for relaxometry and MR fingerprinting

arxiv url: http://arxiv.org/abs/2112.03815v1
Date: Tue, 7 Dec 2021 16:45:21 GMT
ステータス: 処理完了
システム内更新日: 2021-12-08 15:57:31.013463
Title: Accurate parameter estimation using scan-specific unsupervised deep learning for relaxometry and MR fingerprinting
Title（参考訳）: 走査型非教師型深層学習を用いたリラクソメトリーとMRフィンガープリントの高精度パラメータ推定
Authors: Mengze Gao, Huihui Ye, Tae Hyung Kim, Zijing Zhang, Seohee So, Berkin Bilgic
Abstract要約: 緩和パラメータ推定のための教師なし畳み込みニューラルネットワーク(CNN)を提案する。このネットワークは、隣接するボクセル間の残留学習と空間関係を利用して、信号緩和とブロッホシミュレーションを取り入れている。
参考スコア（独自算出の注目度）: 1.233122988113145
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose an unsupervised convolutional neural network (CNN) for relaxation parameter estimation. This network incorporates signal relaxation and Bloch simulations while taking advantage of residual learning and spatial relations across neighboring voxels. Quantification accuracy and robustness to noise is shown to be significantly improved compared to standard parameter estimation methods in numerical simulations and in vivo data for multi-echo T2 and T2* mapping. The combination of the proposed network with subspace modeling and MR fingerprinting (MRF) from highly undersampled data permits high quality T1 and T2 mapping.
Abstract（参考訳）: 緩和パラメータ推定のための教師なし畳み込みニューラルネットワーク(CNN)を提案する。このネットワークは、隣接するボクセル間の残留学習と空間関係を生かしながら、信号緩和とブロッホシミュレーションを組み込んでいる。数値シミュレーションにおける標準パラメータ推定法やマルチエコーt2, t2*マッピングのin vivoデータと比較して, 量子化精度と雑音に対するロバスト性は有意に向上した。提案手法とサブスペースモデリングとMRフィンガープリント(MRF)を組み合わせることで,高品質なT1とT2マッピングを実現する。

関連論文リスト

MARVEL: MR Fingerprinting with Additional micRoVascular Estimates using bidirectional LSTMs [0.8901227918730564]
本稿では,現実的な微小血管ネットワークを含む数値ボクセルからのMR信号をシミュレーションする効率的な方法を提案する。 3人のボランティアに対して行った結果から,我々のアプローチはより高速に微小血管パラメータの定量的マップを作成できることが示唆された。
論文参考訳（メタデータ） (2024-07-15T08:09:54Z)
NLCG-Net: A Model-Based Zero-Shot Learning Framework for Undersampled Quantitative MRI Reconstruction [5.964779375520257]
モデルベースT2/T1推定のための共役勾配(NLCG)を提案する。このエンド・ツー・エンド法は、ゼロショットスキャン特異的ニューラルネットワーク正規化を用いた単例信号モデリングを用いて、アンダーサンプルk空間データからqMRIマップを直接推定し、高い忠実度T1およびT2マッピングを実現する。
論文参考訳（メタデータ） (2024-01-22T14:53:21Z)
Magnetic Resonance Fingerprinting with compressed sensing and distance metric learning [38.88009278259666]
MRF(Magnetic Resonance Fingerprinting)は、複数の組織関連パラメータを同時に推定する新しい技術である。 MRF法は、k空間データを著しくアンサンプするため、アーティファクトのエイリアスに悩まされる。複数の組織関連パラメータを同時に推定する圧縮センシング(CS)フレームワークを提案する。
論文参考訳（メタデータ） (2022-09-19T03:08:26Z)
Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文参考訳（メタデータ） (2022-08-28T17:50:19Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
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)
Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文参考訳（メタデータ） (2021-11-29T12:24:02Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Joint Total Variation ESTATICS for Robust Multi-Parameter Mapping [0.0]
ESTATICSは、R2*と複数の外挿インターセプトを抽出するために、複数のエコー系列の連接対数整合を行う。提案アルゴリズムは,リッチな単目的データセットにおいて,左からのエコーを予測して評価する。
論文参考訳（メタデータ） (2020-05-28T19:08:42Z)

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。