論文の概要: Fast MRI Reconstruction: How Powerful Transformers Are?
- arxiv url: http://arxiv.org/abs/2201.09400v1
- Date: Sun, 23 Jan 2022 23:41:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:25:10.527385
- Title: Fast MRI Reconstruction: How Powerful Transformers Are?
- Title（参考訳）: MRIの高速再生:トランスフォーマーのパワーは?
- Authors: Jiahao Huang, Yinzhe Wu, Huanjun Wu, Guang Yang
- Abstract要約: k空間アンサンプと深層学習に基づく再構成による手法が、スキャンプロセスの高速化のために一般化されている。
特に、高速MRI再構成のために、GAN(Generative Adversarial Network)ベースのSwin Transformer(ST-GAN)を導入した。
異なるアンダーサンプリング条件からのMRI再建には,トランスフォーマーが有効であることを示す。
- 参考スコア（独自算出の注目度）: 1.523157765626545
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Magnetic resonance imaging (MRI) is a widely used non-radiative and
non-invasive method for clinical interrogation of organ structures and
metabolism, with an inherently long scanning time. Methods by k-space
undersampling and deep learning based reconstruction have been popularised to
accelerate the scanning process. This work focuses on investigating how
powerful transformers are for fast MRI by exploiting and comparing different
novel network architectures. In particular, a generative adversarial network
(GAN) based Swin transformer (ST-GAN) was introduced for the fast MRI
reconstruction. To further preserve the edge and texture information, edge
enhanced GAN based Swin transformer (EESGAN) and texture enhanced GAN based
Swin transformer (TES-GAN) were also developed, where a dual-discriminator GAN
structure was applied. We compared our proposed GAN based transformers,
standalone Swin transformer and other convolutional neural networks based based
GAN model in terms of the evaluation metrics PSNR, SSIM and FID. We showed that
transformers work well for the MRI reconstruction from different undersampling
conditions. The utilisation of GAN's adversarial structure improves the quality
of images reconstructed when undersampled for 30% or higher.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、臓器構造と代謝の臨床的検査に広く用いられている非放射能および非侵襲的手法であり、本質的に長い走査時間を有する。
k空間アンダーサンプリングと深層学習に基づく再構成による手法が広く普及し, 走査過程の高速化が図られている。
この研究は、異なる新しいネットワークアーキテクチャを活用して比較することで、高速MRIのためのトランスフォーマーがいかに強力かを調べることに重点を置いている。
特に、高速MRI再構成のために、GAN(Generative Adversarial Network)ベースのSwin Transformer(ST-GAN)を導入した。
エッジ情報とテクスチャ情報をさらに保存するために、エッジ強化GANベースのSwin変換器(EESGAN)とテクスチャ強化GANベースのSwin変換器(TES-GAN)も開発された。
提案したGAN変換器,スタンドアロンスウィン変換器,および他の畳み込みニューラルネットワークを用いたGANモデルと比較し,PSNR,SSIM,FIDの評価指標について検討した。
異なるアンダーサンプリング条件からのMRI再建にはトランスフォーマーが有効であることを示した。
GANの対向構造の利用により、30%以上アンサンプされた画像の品質が向上する。
関連論文リスト
- Polyhedra Encoding Transformers: Enhancing Diffusion MRI Analysis Beyond Voxel and Volumetric Embedding [9.606654786275902]
本稿では,球面信号の処理に特化して設計されたdMRI用ポリヘドラ変換器(PE-Transformer)を提案する。
提案手法では, 所定の方向から信号を再サンプリングするために, アイコサヘドの単位球を投影する。この再サンプリングされた信号は, アイコサヘドの方向を反映する情報を含むトランスフォーマーエンコーダによって処理され, 埋め込みに変換される。
論文 参考訳（メタデータ） (2025-01-23T03:32:52Z) - MambaRecon: MRI Reconstruction with Structured State Space Models [30.506544165999564]
ディープラーニングの出現は、MRIスキャンの迅速な再構築のための最先端の手法の開発を触媒している。
本稿では,長期的文脈感度と再構成の有効性の両立を目的とした,構造化状態空間モデルをコアに採用した革新的なMRI再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-19T01:50:10Z) - Transformer and GAN Based Super-Resolution Reconstruction Network for
Medical Images [0.0]
医用画像における超解像再構成がますます普及している(MRI)
本稿では,Transformer and Generative Adversarial Networks (T-GAN) を用いた低解像度画像から医用画像を再構成する深層学習戦略を提案する。
統合されたシステムは、より正確なテクスチャ情報を抽出し、グローバルな画像マッチングによって重要な位置に集中することができる。
論文 参考訳（メタデータ） (2022-12-26T09:52:12Z) - Multi-head Cascaded Swin Transformers with Attention to k-space Sampling
Pattern for Accelerated MRI Reconstruction [16.44971774468092]
我々は,McSTRA(Multi-head Cascaded Swin Transformer)と題する,物理学に基づくスタンドアロン(畳み込みフリー)トランスモデルを提案する。
当モデルでは, 画像と定量的に, 最先端のMRI再建法より有意に優れていた。
論文 参考訳（メタデータ） (2022-07-18T07:21:56Z) - Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。
我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。
我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
論文 参考訳（メタデータ） (2022-03-29T07:56:55Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Swin Transformer for Fast MRI [12.28925347961542]
SwinMRは、高速MRI再構成のための新しいSwin変換器ベースの方法である。
ネットワークは入力モジュール(IM)、特徴抽出モジュール(FE)、出力モジュール(OM)で構成される。
論文 参考訳（メタデータ） (2022-01-10T09:32:32Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - 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。