論文の概要: Learned Half-Quadratic Splitting Network for Magnetic Resonance Image Reconstruction

• arxiv url: http://arxiv.org/abs/2112.09760v2
• Date: Tue, 21 Dec 2021 05:45:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 11:26:02.393980
• Title: Learned Half-Quadratic Splitting Network for Magnetic Resonance Image Reconstruction
• Title（参考訳）: 磁気共鳴画像再構成のための学習型半曲面分割ネットワーク
• Authors: Bingyu Xin, Timothy S. Phan, Leon Axel, Dimitris N. Metaxas
• Abstract要約: 本稿では,MR画像再構成のための半四分法分割アルゴリズムを提案する。 本手法の有効性を,DC-CNN と LPDNet と比較した。 我々は,再現性の向上のためにモデルを拡張し,ピーク信号対雑音比においてLPDNetよりも1.76$dB,2.74$dBの改善を行った。
• 参考スコア（独自算出の注目度）: 45.286707539841494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic Resonance (MR) image reconstruction from highly undersampled $k$-space data is critical in accelerated MR imaging (MRI) techniques. In recent years, deep learning-based methods have shown great potential in this task. This paper proposes a learned half-quadratic splitting algorithm for MR image reconstruction and implements the algorithm in an unrolled deep learning network architecture. We compare the performance of our proposed method on a public cardiac MR dataset against DC-CNN and LPDNet, and our method outperforms other methods in both quantitative results and qualitative results with fewer model parameters and faster reconstruction speed. Finally, we enlarge our model to achieve superior reconstruction quality, and the improvement is $1.76$ dB and $2.74$ dB over LPDNet in peak signal-to-noise ratio on $5\times$ and $10\times$ acceleration, respectively. Code for our method is publicly available at https://github.com/hellopipu/HQS-Net.
• Abstract（参考訳）: 高アンサンプされた$k$-spaceデータからのMR画像再構成は、MRI(Accelerd MR imaging)技術において重要である。 近年,ディープラーニングに基づく手法がこの課題に大きな可能性を示している。 本稿では,mr画像再構成のための学習型半量子分割アルゴリズムを提案し,未ロール深層学習ネットワークアーキテクチャで実装する。 提案手法は,DC-CNN と LPDNet に対する公共心MRデータセットの性能を比較検討し,定量的な結果と定性的な結果の両方において,より少ないモデルパラメータと高速な再構成速度で比較した。 最後に,再現性の向上のためにモデルを拡張し,ピーク信号対雑音比を5\times$と10\times$Acceleratorでそれぞれ1.76$dBと2.74$dBに改善した。 このメソッドのコードはhttps://github.com/hellopipu/hqs-netで公開されている。

関連論文リスト

• NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
  NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。 トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。 提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
  論文  参考訳（メタデータ） (2024-04-06T08:25:33Z)
• Reinforcement Learning for Sampling on Temporal Medical Imaging Sequences [0.0]
  本研究では、動的画像再構成のためのサンプリング戦略を学ぶために、ダブルディープQ-ラーニングとREINFORCEアルゴリズムを適用した。 時系列のフォーマットでデータを考察し、再構成法は事前訓練されたオートエンコーダ型ニューラルネットワークである。 本稿では,強化学習アルゴリズムが最適サンプリングパターンの発見に有効であることを示す。
  論文  参考訳（メタデータ） (2023-08-28T23:55:23Z)
• Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
  浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。 私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。 提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-08-01T03:44:56Z)
• 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)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
  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。
  論文  参考訳（メタデータ） (2021-12-09T06:39:55Z)
• Highly accelerated MR parametric mapping by undersampling the k-space and reducing the contrast number simultaneously with deep learning [18.839338336031577]
  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。
  論文  参考訳（メタデータ） (2021-12-01T07:29:29Z)
• A Data-Driven Reconstruction Technique based on Newton's Method for Emission Tomography [1.2209547858269227]
  DNR-NetはSPECTファントムシミュレーションのデータを用いて高品質な画像再構成を行うことができる。 DNR-Netは、高コントラストと低ノイズを特徴とするOSEMに匹敵する再構成を生成する。
  論文  参考訳（メタデータ） (2021-10-19T14:54:34Z)
• 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)

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。