論文の概要: Iterative RAKI with Complex-Valued Convolution for Improved Image
Reconstruction with Limited Scan-Specific Training Samples
- arxiv url: http://arxiv.org/abs/2201.03560v1
- Date: Mon, 10 Jan 2022 16:14:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 14:23:45.682879
- Title: Iterative RAKI with Complex-Valued Convolution for Improved Image
Reconstruction with Limited Scan-Specific Training Samples
- Title（参考訳）: 複雑な値の畳み込みをもつ反復RAKIによる画像再構成
- Authors: Peter Dawood, Martin Blaimer, Felix Breuer, Paul R. Burd, Istv\'an
Homolya, Peter M. Jakob, Johannes Oberberger
- Abstract要約: 本研究では,標準2次元画像の再構成品質に及ぼすトレーニングデータの影響について検討した。
初期GRAPPA再構成によるトレーニングデータ拡張と、反復訓練による畳み込みフィルタの改良を含む反復k空間アプローチ(iRAKI)を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MRI scan time reduction is commonly achieved by Parallel Imaging methods,
typically based on uniform undersampling of the inverse image space (a.k.a.
k-space) and simultaneous signal reception with multiple receiver coils. The
GRAPPA method interpolates missing k-space signals by linear combination of
adjacent, acquired signals across all coils, and can be described by a
convolution in k-space. Recently, a more generalized method called RAKI was
introduced. RAKI is a deep-learning method that generalizes GRAPPA with
additional convolution layers, on which a non-linear activation function is
applied. This enables non-linear estimation of missing signals by convolutional
neural networks. In analogy to GRAPPA, the convolution kernels in RAKI are
trained using scan-specific training samples obtained from
auto-calibration-signals (ACS). RAKI provides superior reconstruction quality
compared to GRAPPA, however, often requires much more ACS due to its increased
number of unknown parameters. In order to overcome this limitation, this study
investigates the influence of training data on the reconstruction quality for
standard 2D imaging, with particular focus on its amount and contrast
information. Furthermore, an iterative k-space interpolation approach (iRAKI)
is evaluated, which includes training data augmentation via an initial GRAPPA
reconstruction, and refinement of convolution filters by iterative training.
Using only 18, 20 and 25 ACS lines (8%), iRAKI outperforms RAKI by suppressing
residual artefacts occurring at accelerations factors R=4 and R=5, and yields
strong noise suppression in comparison to GRAPPA, underlined by quantitative
quality metrics. Combination with a phase-constraint yields further
improvement. Additionally, iRAKI shows better performance than GRAPPA and RAKI
in case of pre-scan calibration and strongly varying contrast between training-
and undersampled data.
- Abstract（参考訳）: MRIスキャンの時間短縮は、通常、逆画像空間(k空間)の均一なアンサンプリングと複数の受信コイルによる同時信号受信に基づいているパラレルイメージング法によって達成される。
grappa法は、すべてのコイルに隣接する取得信号の線形結合により、欠落するk空間信号を補間し、k空間の畳み込みによって記述することができる。
近年,rakiと呼ばれるより一般化した手法が導入された。
RAKIは、GRAPPAを新たな畳み込み層で一般化し、非線形活性化関数を適用するディープラーニング手法である。
これにより、畳み込みニューラルネットワークによる欠落信号の非線形推定が可能になる。
GRAPPAと類似したRAKIの畳み込みカーネルは、自動校正信号(ACS)から得られたスキャン特異的なトレーニングサンプルを用いて訓練される。
RAKIはGRAPPAよりも優れた再構成品質を提供するが、未知のパラメータの数が増えるため、より多くのACSを必要とすることが多い。
本研究では,この限界を克服するために,標準2次元画像の復元品質に及ぼすトレーニングデータの影響,特にその量とコントラスト情報に着目した。
さらに,初期グラッパ再構成によるデータ拡張訓練,反復学習による畳み込みフィルタの改良を含む反復的k空間補間手法(iraki)を評価する。
アクセラレーション係数r=4,r=5で発生する残留アーティファクトを抑えることで,18,20,25のacsライン(8%)しか使用せず,定量的品質指標で示されるgrappaと比較して強いノイズ抑制をもたらす。
位相制約と組み合わせることでさらに改善される。
さらに,スキャン前校正ではGRAPPAやRAKIよりも優れた性能を示し,トレーニングデータとアンダーサンプルデータのコントラストが強く変化する。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - IMJENSE: Scan-specific Implicit Representation for Joint Coil
Sensitivity and Image Estimation in Parallel MRI [11.159664312706704]
IMJENSEは、並列MRI再構成を改善するためのスキャン特異的暗黙の神経表現に基づく方法である。
IMJENSEは、MRI画像とコイル感度の強力な連続表現と共同推定により、従来の画像やk空間領域再構成アルゴリズムよりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-11-21T07:24:11Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳（メタデータ） (2023-07-26T07:45:14Z) - CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI
Reconstruction [4.967600587813224]
k空間データをMRIでアンサンプすることでスキャン時間が短縮されるが、画像再構成において課題が生じる。
CAMP-Net は,MRI の高速化のためのアンロール型 Consistency-Aware Multi-Prior Network を提案する。
論文 参考訳（メタデータ） (2023-06-20T02:21:45Z) - 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) - Multi-Weight Respecification of Scan-specific Learning for Parallel
Imaging [25.47472506331645]
k空間(RAKI)のための非線形人工神経ネットワークは、他の線形手法よりも優れたノイズ耐性を示す。
RAKIは高い加速速度では性能が悪く、トレーニングサンプルとして大量の自己校正信号が必要である。
MW-RAKIと呼ばれるアンダーサンプルデータに重み付け行列を実装したマルチウェイト手法を提案する。
論文 参考訳（メタデータ） (2022-04-05T04:28:06Z) - Communication-Efficient Federated Learning via Quantized Compressed
Sensing [82.10695943017907]
提案フレームワークは,無線機器の勾配圧縮とパラメータサーバの勾配再構成からなる。
勾配スペーシフィケーションと量子化により、我々の戦略は1ビット勾配圧縮よりも高い圧縮比を達成することができる。
圧縮を行わない場合とほぼ同じ性能を実現できることを示す。
論文 参考訳（メタデータ） (2021-11-30T02:13:54Z) - Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
論文 参考訳（メタデータ） (2021-08-17T17:45:51Z) - Cogradient Descent for Dependable Learning [64.02052988844301]
双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。
CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。
また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
論文 参考訳（メタデータ） (2021-06-20T04:28:20Z) - 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) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z)
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。