論文の概要: A Plug-and-Play Approach to Multiparametric Quantitative MRI: Image Reconstruction using Pre-Trained Deep Denoisers

• arxiv url: http://arxiv.org/abs/2202.05269v1
• Date: Thu, 10 Feb 2022 09:35:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 16:09:21.226952
• Title: A Plug-and-Play Approach to Multiparametric Quantitative MRI: Image Reconstruction using Pre-Trained Deep Denoisers
• Title（参考訳）: マルチパラメトリック定量MRIへのプラグイン・アンド・プレイアプローチ:事前訓練深度Denoiserを用いた画像再構成
• Authors: Ketan Fatania, Carolin M. Pirkl, Marion I. Menzel, Peter Hall and Mohammad Golbabaee
• Abstract要約: 本稿では,先進的獲得プロセスに適応したMDFに対する反復的深層学習再構築手法を提案する。 CNNデノイザモデルは、異なるサブサンプリングパターンを持つ2つの模擬取得プロセスでテストされる。 以上の結果から, 買収方式と組織量的バイオプロパティの正確なマッピングに対する一貫した除去性能が示された。
• 参考スコア（独自算出の注目度）: 4.910318162000904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current spatiotemporal deep learning approaches to Magnetic Resonance Fingerprinting (MRF) build artefact-removal models customised to a particular k-space subsampling pattern which is used for fast (compressed) acquisition. This may not be useful when the acquisition process is unknown during training of the deep learning model and/or changes during testing time. This paper proposes an iterative deep learning plug-and-play reconstruction approach to MRF which is adaptive to the forward acquisition process. Spatiotemporal image priors are learned by an image denoiser i.e. a Convolutional Neural Network (CNN), trained to remove generic white gaussian noise (not a particular subsampling artefact) from data. This CNN denoiser is then used as a data-driven shrinkage operator within the iterative reconstruction algorithm. This algorithm with the same denoiser model is then tested on two simulated acquisition processes with distinct subsampling patterns. The results show consistent de-aliasing performance against both acquisition schemes and accurate mapping of tissues' quantitative bio-properties. Software available: https://github.com/ketanfatania/QMRI-PnP-Recon-POC
• Abstract（参考訳）: 磁気共鳴フィンガープリンティング(mrf)に対する現在の時空間ディープラーニングアプローチは、高速(圧縮)取得に使用される特定のk空間サブサンプリングパターンに合わせてカスタマイズされたアーティファクト除去モデルを構築する。 これは、ディープラーニングモデルのトレーニング中に獲得プロセスが未知である場合や、テスト時間中に変化がある場合、役に立たないかもしれない。 本稿では,先進的獲得プロセスに適応したMDFに対する反復的深層学習プラグアンドプレイ再構成手法を提案する。 時空間画像は、データから一般的な白色ガウスノイズ(特定のサブサンプリングアーチファクトではない)を取り除くために訓練された畳み込みニューラルネットワーク(CNN)というイメージデノイザによって学習される。 このCNNデノイザは、反復再構成アルゴリズムにおいてデータ駆動収縮演算子として使用される。 同じデノイザモデルを持つこのアルゴリズムは、異なるサブサンプリングパターンを持つ2つの模擬取得プロセスでテストされる。 以上の結果から, 買収方式と組織量的バイオプロパティの正確なマッピングに一貫したデエイリアス性能を示した。 ソフトウェア:https://github.com/ketanfatania/QMRI-PnP-Recon-POC

関連論文リスト

• A plug-and-play synthetic data deep learning for undersampled magnetic resonance image reconstruction [15.780203168452443]
  アンダーサンプ型MRI画像再構成の深層学習法は,画像デアライジングにおいて優れた性能を示した。 異なるサンプリング設定に効果的に適用可能なアンダーサンプドMRI再構成のための深いプラグアンドプレイ法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T02:37:19Z)
• Reinforcement Learning for Sampling on Temporal Medical Imaging Sequences [0.0]
  本研究では、動的画像再構成のためのサンプリング戦略を学ぶために、ダブルディープQ-ラーニングとREINFORCEアルゴリズムを適用した。 時系列のフォーマットでデータを考察し、再構成法は事前訓練されたオートエンコーダ型ニューラルネットワークである。 本稿では,強化学習アルゴリズムが最適サンプリングパターンの発見に有効であることを示す。
  論文  参考訳（メタデータ） (2023-08-28T23:55:23Z)
• SiPRNet: End-to-End Learning for Single-Shot Phase Retrieval [8.820823270160695]
  畳み込みニューラルネットワーク(CNN)は、様々な画像再構成タスクにおいて重要な役割を果たしている。 本稿では,1つのフーリエ強度測定から信号を取得するために,SiPRNetという新しいCNN構造を設計する。 提案手法は、シングルショットマスクレス位相検索において、他のCNNおよび従来の最適化手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-05-23T16:24:52Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy Image Compression Systems [73.48927855855219]
  近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。 本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
  論文  参考訳（メタデータ） (2022-01-27T19:47:51Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• 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)
• Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
  我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。 アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。 また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
  論文  参考訳（メタデータ） (2020-06-21T11:00:04Z)
• Compressive MRI quantification using convex spatiotemporal priors and deep auto-encoders [2.5060548079588516]
  マルチパラメトリック画像計算のための辞書不要パイプラインを提案する。 提案手法は,圧縮型センシング再構成と定量的推論の2段階からなる。
  論文  参考訳（メタデータ） (2020-01-23T17:15:42Z)

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。