論文の概要: PARCEL: Physics-based unsupervised contrastive representation learning
for parallel MR imaging
- arxiv url: http://arxiv.org/abs/2202.01494v1
- Date: Thu, 3 Feb 2022 10:09:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-04 13:51:03.006415
- Title: PARCEL: Physics-based unsupervised contrastive representation learning
for parallel MR imaging
- Title（参考訳）: PARCEL:平行MRイメージングのための物理に基づく教師なしコントラスト表現学習
- Authors: Shanshan Wang, Ruoyou Wu, Cheng Li, Juan Zou, Hairong Zheng
- Abstract要約: 本稿では,並列MR画像の高速化を目的とした物理に基づく非教師付きコントラスト表現学習(PARCEL)法を提案する。
具体的には、PARCELは、アンダーサンプリングされたk空間データから直接の深層学習を実現するために、3つの重要な要素を持っている。
MR画像の固有の特徴や表現を捉えるために、2つのネットワークをガイドするために、特別に設計されたコトレーニング損失が設計されている。
- 参考スコア（独自算出の注目度）: 9.16860702327751
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the successful application of deep learning in magnetic resonance
imaging, parallel imaging techniques based on neural networks have attracted
wide attentions. However, without high-quality fully sampled datasets for
training, the performance of these methods tends to be limited. To address this
issue, this paper proposes a physics based unsupervised contrastive
representation learning (PARCEL) method to speed up parallel MR imaging.
Specifically, PARCEL has three key ingredients to achieve direct deep learning
from the undersampled k-space data. Namely, a parallel framework has been
developed by learning two branches of model-based networks unrolled with the
conjugate gradient algorithm; Augmented undersampled k-space data randomly
drawn from the obtained k-space data are used to help the parallel network to
capture the detailed information. A specially designed co-training loss is
designed to guide the two networks to capture the inherent features and
representations of the-to-be-reconstructed MR image. The proposed method has
been evaluated on in vivo datasets and compared to five state-of-the-art
methods, whose results show PARCEL is able to learn useful representations for
more accurate MR reconstructions without the reliance on the fully-sampled
datasets.
- Abstract（参考訳）: 磁気共鳴イメージングにおけるディープラーニングの応用の成功により、ニューラルネットワークに基づく並列イメージング技術が注目を集めている。
しかしながら、トレーニングのための高品質な完全なサンプルデータセットがなければ、これらのメソッドのパフォーマンスは制限される傾向がある。
そこで本研究では,並列MR画像の高速化を目的とした物理に基づく非教師付きコントラスト表現学習法(PARCEL)を提案する。
具体的には、parcelには、アンサンプリングされたk空間データから直接ディープラーニングを実現するための3つの重要な要素がある。
すなわち、共役勾配アルゴリズムでアンロールされたモデルベースネットワークの2つの分岐を学習し、得られたk空間データからランダムに引き出されたアンダーサンプリングされたk空間データを用いて、並列ネットワークの詳細な情報をキャプチャする。
特別に設計された協調訓練損失は、2つのネットワークを誘導し、再構成されたMR画像の固有の特徴と表現を捉えるように設計されている。
提案手法は生体内データセットを用いて評価され,PARCELが完全サンプルデータセットに依存することなく,より正確なMR再構成のための有用な表現を学習できることを示す5つの最先端手法と比較された。
関連論文リスト
- Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - A Model-data-driven Network Embedding Multidimensional Features for
Tomographic SAR Imaging [5.489791364472879]
多次元特徴量に基づくトモSARイメージングを実現するためのモデルデータ駆動型ネットワークを提案する。
画像シーンの多次元的特徴を効果的に向上するために、2つの2次元処理モジュール(畳み込みエンコーダ-デコーダ構造)を追加します。
従来のCS-based FISTA法とDL-based gamma-Net法と比較して,提案手法は良好な画像精度を有しつつ,完全性を向上させる。
論文 参考訳（メタデータ） (2022-11-28T02:01:43Z) - Federated Representation Learning via Maximal Coding Rate Reduction [109.26332878050374]
本稿では,複数のクライアントに分散したデータセットから低次元表現を学習する手法を提案する。
提案手法はFLOWと呼ばれ, MCR2を選択の対象とし, その結果, クラス間判別とクラス内圧縮の両方が可能な表現が得られた。
論文 参考訳（メタデータ） (2022-10-01T15:43:51Z) - SelfCoLearn: Self-supervised collaborative learning for accelerating
dynamic MR imaging [15.575332712603172]
本稿では, アンダーサンプされたk空間データから, 動的MR画像の正確な再構成を行うための自己教師付き協調学習フレームワーク(SelfCoLearn)を提案する。
提案フレームワークは,2つのネットワーク協調学習,データ拡張のアンサンプ化,特別に設計された協調学習損失という,3つの重要なコンポーネントを備える。
その結果,本手法は,アンダーサンプされたk空間データから,本質的,本質的表現を抽出する能力を持つことがわかった。
論文 参考訳（メタデータ） (2022-08-08T04:01:26Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - Self-Supervised Learning for MRI Reconstruction with a Parallel Network
Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。
本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文 参考訳（メタデータ） (2021-09-26T06:09:56Z) - ChiNet: Deep Recurrent Convolutional Learning for Multimodal Spacecraft
Pose Estimation [3.964047152162558]
本稿では,ランデブーシーケンスからの時間情報を組み込んで,宇宙船の相対的な姿勢を推定する革新的な深層学習パイプラインを提案する。
畳み込みニューラルネットワーク(CNN)バックボーンによって抽出された特徴の処理のために、データのシーケンスをモデル化する上で、LSTM(Long Short-term memory)ユニットのパフォーマンスを活用する。
3つの異なるトレーニング戦略が組み合わさって、特徴学習を容易にし、回帰によるエンドツーエンドのポーズ推定を改善する。
論文 参考訳（メタデータ） (2021-08-23T16:48:58Z) - 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) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Model-inspired Deep Learning for Light-Field Microscopy with Application
to Neuron Localization [27.247818386065894]
光フィールド顕微鏡画像を用いた高速かつ堅牢なソースの3Dローカリゼーションを実現するモデルに基づくディープラーニング手法を提案する。
これは畳み込みスパース符号化問題を効率的に解くディープネットワークを開発することによって実現される。
光場からのほ乳類ニューロンの局在化実験により,提案手法が性能,解釈性,効率の向上をもたらすことが示された。
論文 参考訳（メタデータ） (2021-03-10T16:24:47Z)
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。