論文の概要: Universal Generative Modeling for Calibration-free Parallel Mr Imaging

• arxiv url: http://arxiv.org/abs/2201.10210v1
• Date: Tue, 25 Jan 2022 10:05:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 15:39:02.209721
• Title: Universal Generative Modeling for Calibration-free Parallel Mr Imaging
• Title（参考訳）: Calibration-free Parallel Mr Imaging の普遍的生成モデル
• Authors: Wanqing Zhu, Bing Guan, Shanshan Wang, Minghui Zhang and Qiegen Liu
• Abstract要約: キャリブレーションフリー並列MRIのための教師なしディープラーニングフレームワークを提案する。 我々は、ウェーブレット変換と適応的な反復戦略の両方の利点を統一されたフレームワークで活用する。 我々は、ウェーブレットテンソルをネットワーク入力として形成することにより、強力な雑音条件スコアネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 13.875986147033002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of compressed sensing and parallel imaging (CS-PI) provides a robust mechanism for accelerating MRI acquisitions. However, most such strategies require the explicit formation of either coil sensitivity profiles or a cross-coil correlation operator, and as a result reconstruction corresponds to solving a challenging bilinear optimization problem. In this work, we present an unsupervised deep learning framework for calibration-free parallel MRI, coined universal generative modeling for parallel imaging (UGM-PI). More precisely, we make use of the merits of both wavelet transform and the adaptive iteration strategy in a unified framework. We train a powerful noise conditional score network by forming wavelet tensor as the network input at the training phase. Experimental results on both physical phantom and in vivo datasets implied that the proposed method is comparable and even superior to state-of-the-art CS-PI reconstruction approaches.
• Abstract（参考訳）: 圧縮センシングと並列イメージング(CS-PI)の統合は、MRI取得を加速するための堅牢なメカニズムを提供する。 しかし、そのような戦略の多くはコイル感度プロファイルかクロスコイル相関演算器の明示的な形成を必要とし、その結果再構成は難解な双線形最適化問題に対応する。 本研究では,キャリブレーションフリーな並列mriのための教師なし深層学習フレームワークugm-pi(universal generative modeling for parallel imaging)を提案する。 より正確には、統一フレームワークにおけるウェーブレット変換と適応反復戦略の両方の利点を利用する。 我々は、トレーニング段階で入力されたウェーブレットテンソルをネットワークとして形成することにより、強力な雑音条件スコアネットワークを訓練する。 物理的ファントムと生体内データセットの両方の実験結果から,提案手法は最先端のCS-PI再構成手法と同等であり,さらに優れていることが示唆された。

関連論文リスト

• Efficient Real-world Image Super-Resolution Via Adaptive Directional Gradient Convolution [80.85121353651554]
  畳み込みカーネル内でのカーネル単位の微分演算を導入し、学習可能な方向勾配畳み込みを開発する。 これらの畳み込みは、新しい線形重み付け機構と平行に統合され、適応方向勾配畳み込み(DGConv)を形成する。 さらに,適応情報相互作用ブロック(AIIBlock)を設計し,テクスチャとコントラストの強化のバランスをとるとともに,相互依存性を慎重に検討し,単純な積み重ねによるリアルSRのためのDGPNetを作成する。
  論文  参考訳（メタデータ） (2024-05-11T14:21:40Z)
• Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction [10.330083869344445]
  グラフ画像優先(GIP)と呼ばれる動的MRI表現のための新しい手法を提案する。 GIPは2段階生成ネットワークを新しいモデリング手法に採用し、まず独立したCNNを用いて各フレームのイメージ構造を復元する。 グラフ畳み込みネットワークは特徴融合と画像生成に利用される。
  論文  参考訳（メタデータ） (2024-03-23T08:57:46Z)
• End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI [6.875699572081067]
  適応型動的MRIサブサンプリングと再構成のための新しいエンドツーエンドフレームワークを提案する。 我々のパイプラインは、DLベースの適応サンプリング装置を統合し、ケース固有の動的サブサンプリングパターンを生成し、最先端の2D動的再構成ネットワークでエンドツーエンドに訓練する。 以上の結果から,特に高加速度での再現性は良好であった。
  論文  参考訳（メタデータ） (2024-03-15T14:31:35Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle Correction and Geometric Prior Distillation [7.643154460109723]
  本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。 マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。 各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
  論文  参考訳（メタデータ） (2022-05-14T13:36:27Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• An Optimal Control Framework for Joint-channel Parallel MRI Reconstruction without Coil Sensitivities [5.536263246814308]
  離散時間最適制御フレームワークを組み込んだ新しいキャリブレーションフリー高速並列MRI (pMRI) 再構成法を開発した。 本稿では,画像空間とフーリエ空間における構造化マルチプレイヤー畳み込みネットワークを利用して,大きさ情報と位相情報を両立させることを提案する。
  論文  参考訳（メタデータ） (2021-09-20T06:42:42Z)
• 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)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• 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。