論文の概要: HUMUS-Net: Hybrid unrolled multi-scale network architecture for accelerated MRI reconstruction

• arxiv url: http://arxiv.org/abs/2203.08213v1
• Date: Tue, 15 Mar 2022 19:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 09:40:35.513879
• Title: HUMUS-Net: Hybrid unrolled multi-scale network architecture for accelerated MRI reconstruction
• Title（参考訳）: HUMUS-Net:高速MRI再構成のためのハイブリッドアンロールマルチスケールネットワークアーキテクチャ
• Authors: Zalan Fabian, Mahdi Soltanolkotabi
• Abstract要約: HUMUS-Netは、暗黙のバイアスと畳み込みの効率を、無ロールでマルチスケールのネットワークにおけるTransformerブロックのパワーと組み合わせたハイブリッドアーキテクチャである。 我々のネットワークは、最も広く公開されているMRIデータセットである高速MRIデータセット上で、新しい最先端技術を確立する。
• 参考スコア（独自算出の注目度）: 38.0542877099235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In accelerated MRI reconstruction, the anatomy of a patient is recovered from a set of under-sampled and noisy measurements. Deep learning approaches have been proven to be successful in solving this ill-posed inverse problem and are capable of producing very high quality reconstructions. However, current architectures heavily rely on convolutions, that are content-independent and have difficulties modeling long-range dependencies in images. Recently, Transformers, the workhorse of contemporary natural language processing, have emerged as powerful building blocks for a multitude of vision tasks. These models split input images into non-overlapping patches, embed the patches into lower-dimensional tokens and utilize a self-attention mechanism that does not suffer from the aforementioned weaknesses of convolutional architectures. However, Transformers incur extremely high compute and memory cost when 1) the input image resolution is high and 2) when the image needs to be split into a large number of patches to preserve fine detail information, both of which are typical in low-level vision problems such as MRI reconstruction, having a compounding effect. To tackle these challenges, we propose HUMUS-Net, a hybrid architecture that combines the beneficial implicit bias and efficiency of convolutions with the power of Transformer blocks in an unrolled and multi-scale network. HUMUS-Net extracts high-resolution features via convolutional blocks and refines low-resolution features via a novel Transformer-based multi-scale feature extractor. Features from both levels are then synthesized into a high-resolution output reconstruction. Our network establishes new state of the art on the largest publicly available MRI dataset, the fastMRI dataset. We further demonstrate the performance of HUMUS-Net on two other popular MRI datasets and perform fine-grained ablation studies to validate our design.
• Abstract（参考訳）: MRIの早期再建では、アンダーサンプリングとノイズ測定のセットから患者の解剖が復元される。 ディープラーニングのアプローチは、この不適切な逆問題を解くことに成功し、非常に高品質な再構築を実現できることが証明されている。 しかし、現在のアーキテクチャはコンボリューションに大きく依存しており、コンボリューションはコンテンツに依存しず、画像の長距離依存性のモデリングが困難である。 近年,現代自然言語処理の推進役であるTransformersが,視覚タスクを多用する強力なビルディングブロックとして登場している。 これらのモデルは入力画像を重複しないパッチに分割し、パッチを低次元のトークンに埋め込み、上記の畳み込みアーキテクチャの弱点に苦しむことのない自己照応機構を利用する。 しかし、Transformerは計算とメモリのコストが非常に高い。 1)入力画像解像度が高く、かつ 2) 画像が細部情報を保持するために多数のパッチに分割する必要がある場合, いずれもMRI再構成などの低レベル視力問題に典型的であり, 複合効果を有する。 これらの課題に取り組むため,本論文では,畳み込みの有益な負のバイアスと効率と変圧器ブロックのパワーを組み合わせたハイブリッドアーキテクチャであるhumus-netを提案する。 HUMUS-Netは、畳み込みブロックを介して高分解能特徴を抽出し、新しいトランスフォーマーベースのマルチスケール特徴抽出器を介して低分解能特徴を洗練する。 両方のレベルの特徴を合成して高分解能出力再構成を行う。 我々のネットワークは、最も広く公開されているMRIデータセットである高速MRIデータセット上で、新しい最先端技術を確立する。 HUMUS-Netの他の2つのMRIデータセットの性能を実証し、我々の設計を検証するための微細なアブレーション研究を行う。

関連論文リスト

• VmambaIR: Visual State Space Model for Image Restoration [36.11385876754612]
  VmambaIRは、画像復元タスクに線形に複雑な状態空間モデル(SSM)を導入する。 VmambaIRは、より少ない計算資源とパラメータで最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2024-03-18T02:38:55Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Transformer and GAN Based Super-Resolution Reconstruction Network for Medical Images [0.0]
  医用画像における超解像再構成がますます普及している(MRI) 本稿では,Transformer and Generative Adversarial Networks (T-GAN) を用いた低解像度画像から医用画像を再構成する深層学習戦略を提案する。 統合されたシステムは、より正確なテクスチャ情報を抽出し、グローバルな画像マッチングによって重要な位置に集中することができる。
  論文  参考訳（メタデータ） (2022-12-26T09:52:12Z)
• 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)
• Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
  対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。 ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。 本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:13:46Z)
• Task Transformer Network for Joint MRI Reconstruction and Super-Resolution [35.2868027332665]
  共同MRI再構成と超解像のためのエンドツーエンドタスクトランスフォーマネットワーク(T$2$Net)を提案する。 我々のフレームワークは,2つのサブブランチに分割した再構成と超解像を組み合わせ,その特徴をクエリとキーとして表現する。 実験結果から,我々のマルチタスクモデルは先進的な逐次手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-12T10:59:46Z)
• 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。