論文の概要: MRI Reconstruction via Data Driven Markov Chain with Joint Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2202.01479v1
• Date: Thu, 3 Feb 2022 09:13:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 14:18:57.113926
• Title: MRI Reconstruction via Data Driven Markov Chain with Joint Uncertainty Estimation
• Title（参考訳）: 関節不確かさ推定を用いたデータ駆動型マルコフ鎖を用いたMRI再構成
• Authors: Guanxiong Luo, Martin Heide, Martin Uecker
• Abstract要約: 本稿では,MRI再構成のための学習確率分布からの効率的なサンプリングを可能にするフレームワークを提案する。 データ駆動型マルコフ連鎖は、所定の画像データベースから学習した生成モデルから構築される。 提案手法の性能は, 10倍の高速化獲得を用いて, オープンデータセット上で評価する。
• 参考スコア（独自算出の注目度）: 3.5751623095926806
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce a framework that enables efficient sampling from learned probability distributions for MRI reconstruction. Different from conventional deep learning-based MRI reconstruction techniques, samples are drawn from the posterior distribution given the measured k-space using the Markov chain Monte Carlo (MCMC) method. In addition to the maximum a posteriori (MAP) estimate for the image, which can be obtained with conventional methods, the minimum mean square error (MMSE) estimate and uncertainty maps can also be computed. The data-driven Markov chains are constructed from the generative model learned from a given image database and are independent of the forward operator that is used to model the k-space measurement. This provides flexibility because the method can be applied to k-space acquired with different sampling schemes or receive coils using the same pre-trained models. Furthermore, we use a framework based on a reverse diffusion process to be able to utilize advanced generative models. The performance of the method is evaluated on an open dataset using 10-fold accelerated acquisition.
• Abstract（参考訳）: 本稿では,MRI再構成のための学習確率分布からの効率的なサンプリングを可能にするフレームワークを提案する。 従来のディープラーニングを用いたmri再構成法とは異なり,markov chain monte carlo (mcmc) 法を用いて測定したk空間の後方分布からサンプルを抽出した。 従来の方法で得られる画像の最大アフター(MAP)推定に加えて、最小平均二乗誤差(MMSE)推定と不確実性マップも計算できる。 データ駆動型マルコフ連鎖は、所定の画像データベースから学習した生成モデルから構築され、k空間の測定をモデル化するフォワード演算子とは独立である。 この方法は、異なるサンプリングスキームで取得したk空間や、同じ事前訓練されたモデルを用いて受信コイルに適用できるため、柔軟性を提供する。 さらに, 逆拡散過程に基づくフレームワークを用いて, 高度な生成モデルを活用する。 提案手法の性能を10倍の高速化によるオープンデータセット上で評価する。

関連論文リスト

• Posterior Estimation for Dynamic PET imaging using Conditional Variational Inference [10.206699988915183]
  効率的な後続推定のためのディープラーニングに基づくフレームワークを提案する。 具体的には、潜伏変数を導入することにより、フォワードプロセスにおける情報損失に対処する。
  論文  参考訳（メタデータ） (2023-10-24T14:05:30Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• 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)
• Self-Score: Self-Supervised Learning on Score-Based Models for MRI Reconstruction [18.264778497591603]
  本稿では,MRI再構成のための完全サンプルデータフリースコアベース拡散モデルを提案する。 アンダーサンプリングされたデータに基づいて、自己監督的な方法で、完全にサンプリングされたMR画像を学ぶ。 公開データセットにおける実験により,提案手法は既存の自己教師型MRI再構成法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-02T06:21:42Z)
• 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)
• Score-based diffusion models for accelerated MRI [35.3148116010546]
  本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。 我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
  論文  参考訳（メタデータ） (2021-10-08T08:42:03Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)

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。