論文の概要: DSFormer: A Dual-domain Self-supervised Transformer for Accelerated Multi-contrast MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2201.10776v1
• Date: Wed, 26 Jan 2022 06:52:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 20:19:56.753079
• Title: DSFormer: A Dual-domain Self-supervised Transformer for Accelerated Multi-contrast MRI Reconstruction
• Title（参考訳）: DSFormer: 高速マルチコントラストMRI再構成のためのデュアルドメイン自己教師型トランス
• Authors: Bo Zhou, Jo Schlemper, Neel Dey, Seyed Sadegh Mohseni Salehi, Chi Liu, James S. Duncan, Michal Sofka
• Abstract要約: マルチコントラストMRI(Multi-Contrast MRI)は、複数の相補的な画像モダリティをキャプチャする。 現在のディープラーニングMRI再構成ネットワークは、複数のコントラスト間の冗長性を活用することに重点を置いている。 本稿では,MC-MRIの高速化を目的としたデュアルドメイン自己教師型トランス (DSFormer) を提案する。
• 参考スコア（独自算出の注目度）: 15.49473622511862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-contrast MRI (MC-MRI) captures multiple complementary imaging modalities to aid in radiological decision-making. Given the need for lowering the time cost of multiple acquisitions, current deep accelerated MRI reconstruction networks focus on exploiting the redundancy between multiple contrasts. However, existing works are largely supervised with paired data and/or prohibitively expensive fully-sampled MRI sequences. Further, reconstruction networks typically rely on convolutional architectures which are limited in their capacity to model long-range interactions and may lead to suboptimal recovery of fine anatomical detail. To these ends, we present a dual-domain self-supervised transformer (DSFormer) for accelerated MC-MRI reconstruction. DSFormer develops a deep conditional cascade transformer (DCCT) consisting of several cascaded Swin transformer reconstruction networks (SwinRN) trained under two deep conditioning strategies to enable MC-MRI information sharing. We further present a dual-domain (image and k-space) self-supervised learning strategy for DCCT to alleviate the costs of acquiring fully sampled training data. DSFormer generates high-fidelity reconstructions which experimentally outperform current fully-supervised baselines. Moreover, we find that DSFormer achieves nearly the same performance when trained either with full supervision or with our proposed dual-domain self-supervision.
• Abstract（参考訳）: マルチコントラストMRI(Multi-Contrast MRI)は、放射線学的意思決定を支援するために複数の補完的な画像モダリティを撮像する。 マルチコントラスト間の冗長性を活かすため、複数のコントラストの時間コストを下げる必要があるため、現在のディープアクセラレーションMRI再構成ネットワークは注目されている。 しかし、既存の研究は、主にペア化されたデータと、違法に高価なフルサンプリングされたMRIシーケンスで管理されている。 さらに、レコンストラクションネットワークは通常、長距離相互作用をモデル化する能力に制限のある畳み込みアーキテクチャに依存しており、微細な解剖学的詳細を最適化する可能性がある。 そこで本研究では,MC-MRI再構成を高速化するデュアルドメイン自己教師型トランス (DSFormer) を提案する。 DSFormerは、MC-MRI情報共有を可能にする2つのディープコンディショニング戦略の下で訓練された複数のカスケードスウィントランスフォーマーネットワーク(SwinRN)からなるディープコンディショナルカスケードトランスフォーマー(DCCT)を開発する。 さらに,完全サンプルデータ取得のコストを軽減すべく,dctのためのデュアルドメイン(画像とk空間)自己教師付き学習戦略を提案する。 DSFormerは、電流の完全教師付きベースラインを実験的に上回る高忠実な再構成を生成する。 さらに、DSFormerは、完全な監督または提案した二重ドメインの自己監督によってトレーニングされた場合、ほぼ同じ性能を達成する。

関連論文リスト

• Fill the K-Space and Refine the Image: Prompting for Dynamic and Multi-Contrast MRI Reconstruction [31.404228406642194]
  ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。 本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。 提案手法は,従来の高速MRI再建法より有意に優れていた。
  論文  参考訳（メタデータ） (2023-09-25T02:51:00Z)
• Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
  非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
  論文  参考訳（メタデータ） (2023-02-18T06:11:49Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• 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)
• 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)
• 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)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• 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。