論文の概要: AI-based Reconstruction for Fast MRI -- A Systematic Review and
Meta-analysis
- arxiv url: http://arxiv.org/abs/2112.12744v1
- Date: Thu, 23 Dec 2021 17:56:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 14:59:18.996615
- Title: AI-based Reconstruction for Fast MRI -- A Systematic Review and
Meta-analysis
- Title(参考訳): 高速MRIのためのAIベースの再構成 -- システムレビューとメタ分析
- Authors: Yutong Chen, Carola-Bibiane Sch\"onlieb, Pietro Li\`o, Tim Leiner,
Pier Luigi Dragotti, Ge Wang, Daniel Rueckert, David Firmin, Guang Yang
- Abstract要約: 圧縮センシング(CS)は磁気共鳴画像(MRI)取得プロセスの加速に重要な役割を果たしている。
ディープニューラルネットワークとCSアルゴリズムは、高速MRIの技術を再定義するために統合されている。
- 参考スコア(独自算出の注目度): 33.16099059188649
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Compressed sensing (CS) has been playing a key role in accelerating the
magnetic resonance imaging (MRI) acquisition process. With the resurgence of
artificial intelligence, deep neural networks and CS algorithms are being
integrated to redefine the state of the art of fast MRI. The past several years
have witnessed substantial growth in the complexity, diversity, and performance
of deep learning-based CS techniques that are dedicated to fast MRI. In this
meta-analysis, we systematically review the deep learning-based CS techniques
for fast MRI, describe key model designs, highlight breakthroughs, and discuss
promising directions. We have also introduced a comprehensive analysis
framework and a classification system to assess the pivotal role of deep
learning in CS-based acceleration for MRI.
- Abstract(参考訳): 圧縮センシング(CS)は磁気共鳴画像(MRI)取得プロセスの加速に重要な役割を果たしている。
人工知能の復活に伴い、ディープニューラルネットワークとCSアルゴリズムが統合され、高速MRIの最先端技術を再定義している。
過去数年間、高速MRIに特化したディープラーニングベースのCS技術の複雑さ、多様性、パフォーマンスが著しく向上しているのを目撃してきた。
このメタ分析では、高速MRIのためのディープラーニングに基づくCS手法を体系的にレビューし、キーモデルの設計を説明し、ブレークスルーを強調し、将来的な方向性について議論する。
我々はまた,MRIのCSベースの加速度におけるディープラーニングの役割を評価するための包括的分析フレームワークと分類システムも導入した。
関連論文リスト
- Learning to sample in Cartesian MRI [1.2432046687586285]
患者の快適さを高め、検査コストを減らし、スループットを向上させるため、臨床環境ではスキャン時間を短縮することが重要である。
圧縮センシング(CS)とディープラーニングの最近の進歩は、アンダーサンプルデータから高品質な画像を再構成することで、MRIの高速化を可能にする。
この論文は、カルテシアンMRIの文脈におけるこのギャップに対処する2つのアプローチを探求する。
論文 参考訳(メタデータ) (2023-12-07T14:38:07Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳(メタデータ) (2022-06-15T03:42:18Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - 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) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳(メタデータ) (2021-03-13T09:58:32Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - Deep Attentive Wasserstein Generative Adversarial Networks for MRI
Reconstruction with Recurrent Context-Awareness [5.474237208776356]
圧縮センシングベースMRI(CS-MRI)の再生性能は,その遅い反復法とノイズによるアーチファクトの影響を受けている。
本稿では,WGAN(Wasserstein Generative Adversarial Networks)とリカレントニューラルネットワーク(Recurrent Neural Networks)を結合することにより,逐次MRIスライス間の関係をフル活用する,深層学習に基づくCS-MRI再構成手法を提案する。
論文 参考訳(メタデータ) (2020-06-23T11:50:21Z)
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。