論文の概要: One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI

• arxiv url: http://arxiv.org/abs/2112.04721v1
• Date: Thu, 9 Dec 2021 06:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 14:14:20.594604
• Title: One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI
• Title（参考訳）: 加速度MRIのための1次元深部低ランク・スパースネットワーク
• Authors: Zi Wang, Chen Qian, Di Guo, Hongwei Sun, Rushuai Li, Bo Zhao, Xiaobo Qu
• Abstract要約: 核磁気共鳴画像(MRI)における深層学習の驚くべき性能 最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。 我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
• 参考スコア（独自算出の注目度）: 19.942978606567547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has shown astonishing performance in accelerated magnetic resonance imaging (MRI). Most state-of-the-art deep learning reconstructions adopt the powerful convolutional neural network and perform 2D convolution since many magnetic resonance images or their corresponding k-space are in 2D. In this work, we present a new approach that explores the 1D convolution, making the deep network much easier to be trained and generalized. We further integrate the 1D convolution into the proposed deep network, named as One-dimensional Deep Low-rank and Sparse network (ODLS), which unrolls the iteration procedure of a low-rank and sparse reconstruction model. Extensive results on in vivo knee and brain datasets demonstrate that, the proposed ODLS is very suitable for the case of limited training subjects and provides improved reconstruction performance than state-of-the-art methods both visually and quantitatively. Additionally, ODLS also shows nice robustness to different undersampling scenarios and some mismatches between the training and test data. In summary, our work demonstrates that the 1D deep learning scheme is memory-efficient and robust in fast MRI.
• Abstract（参考訳）: 深層学習はMRI(Accelerated Magnetic resonance imaging)において驚くべき性能を示した。 最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、多くの磁気共鳴画像や対応するk空間が2Dであるため、2D畳み込みを行う。 本研究では,1次元畳み込みを探索し,深層ネットワークの訓練と一般化を容易にする新しい手法を提案する。 この1次元畳み込みを, 1次元深層低ランク・スパースネットワーク(odls)として提案する深層ネットワークに統合し, 低ランク・スパース再構成モデルの反復手順を展開する。 in vivoの膝と脳のデータセットに関する広範な結果から,提案手法は限られた訓練対象の場合に非常に適しており,視覚的および定量的に最先端の手法よりも再現性が向上することが示された。 さらにODLSは、さまざまなアンダーサンプリングシナリオに対する優れた堅牢性と、トレーニングデータとテストデータのミスマッチも示しています。 まとめると、1Dディープラーニング方式は高速MRIにおいてメモリ効率が高く、堅牢であることを示す。

関連論文リスト

• Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [22.7085949508143]
  MRIは心臓診断において欠かせない役割を担っている。高速イメージングを可能にするため、k空間データをアンサンプすることができる。 この課題は、ディープラーニング再構築手法における広範なトレーニングデータを必要とする。 本研究では,高度に制限された学習データであっても,例外的に良好に動作可能な次元分離型学習手法を活用する,新規で効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T23:56:15Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• 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)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
  太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-29T13:29:18Z)
• 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)
• 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)
• Unsupervised MRI Reconstruction with Generative Adversarial Networks [14.253509181850502]
  生成的対向ネットワークを用いた完全サンプリングデータのないMRI再構成のためのディープラーニングフレームワークを提案する。 提案手法を2つのシナリオで検証し, 高速スピンエコー膝試験と前向きアンサンプド腹部DCEの2つのシナリオについて検討した。
  論文  参考訳（メタデータ） (2020-08-29T22:00:49Z)
• Deep Low-rank Prior in Dynamic MR Imaging [30.70648993986445]
  本稿では、学習可能な低ランクをディープネットワークアーキテクチャに導入するための2つの新しいスキームを紹介する。 本研究では,SLR-Netと呼ばれるダイナミックMRイメージングのためのモデルベースアンローリングスパースとローランクネットワークを提案する。 プラグ・アンド・プレイ方式では、他の動的MRニューラルネットワークに簡単に組み込むことができるプラグ・アンド・プレイLRネットワークモジュールを提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:26:10Z)
• 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)

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。