論文の概要: Rethinking the optimization process for self-supervised model-driven MRI reconstruction

• arxiv url: http://arxiv.org/abs/2203.09724v1
• Date: Fri, 18 Mar 2022 03:41:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 01:03:40.435957
• Title: Rethinking the optimization process for self-supervised model-driven MRI reconstruction
• Title（参考訳）: 自己教師型MRI再構成のための最適化プロセスの再考
• Authors: Weijian Huang, Cheng Li, Wenxin Fan, Yongjin Zhou, Qiegen Liu, Hairong Zheng and Shanshan Wang
• Abstract要約: K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。 統計的に依存したノイズによるネットワークの復元劣化を低減することができる。 5つの最先端の手法よりも優れた結果が得られる。
• 参考スコア（独自算出の注目度）: 16.5013498806588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering high-quality images from undersampled measurements is critical for accelerated MRI reconstruction. Recently, various supervised deep learning-based MRI reconstruction methods have been developed. Despite the achieved promising performances, these methods require fully sampled reference data, the acquisition of which is resource-intensive and time-consuming. Self-supervised learning has emerged as a promising solution to alleviate the reliance on fully sampled datasets. However, existing self-supervised methods suffer from reconstruction errors due to the insufficient constraint enforced on the non-sampled data points and the error accumulation happened alongside the iterative image reconstruction process for model-driven deep learning reconstrutions. To address these challenges, we propose K2Calibrate, a K-space adaptation strategy for self-supervised model-driven MR reconstruction optimization. By iteratively calibrating the learned measurements, K2Calibrate can reduce the network's reconstruction deterioration caused by statistically dependent noise. Extensive experiments have been conducted on the open-source dataset FastMRI, and K2Calibrate achieves better results than five state-of-the-art methods. The proposed K2Calibrate is plug-and-play and can be easily integrated with different model-driven deep learning reconstruction methods.
• Abstract（参考訳）: アンダーサンプル計測による高画質画像の復元はMRIの高速化に不可欠である。 近年,深層学習に基づくmri再構成法が開発されている。 期待できる性能にもかかわらず、これらの手法は完全なサンプルデータを必要とし、その取得はリソース集約的で時間を要する。 自己教師あり学習は、完全なサンプルデータセットへの依存を緩和するための有望な解決策として登場した。 しかし,既存の自己監督手法では,非サンプルデータポイントに強制される制約が不十分なため,再構成誤差に悩まされ,モデル駆動型深層学習再構成における反復的画像再構成プロセスとともにエラーの蓄積が生じた。 これらの課題に対処するために、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略であるK2Calibrateを提案する。 学習した測定を反復的に校正することにより、K2Calibrateは統計的に依存するノイズによるネットワークの復元劣化を低減することができる。 オープンソースのデータセットFastMRIで大規模な実験が行われ、K2Calibrateは5つの最先端手法よりも優れた結果が得られる。 提案したK2Calibrateはプラグアンドプレイであり,異なるモデル駆動型ディープラーニング再構成手法と容易に統合できる。

関連論文リスト

• TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [7.281993256973667]
  本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。 Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。 実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建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） (2024-08-11T06:31:56Z)
• Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction [8.721677700107639]
  アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。 我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。 提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
  論文  参考訳（メタデータ） (2023-12-01T16:00:16Z)
• 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)
• L2SR: Learning to Sample and Reconstruct for Accelerated MRI via Reinforcement Learning [4.955697042432618]
  優れたサンプルと再構成器のペアを共同で学習するための交互学習フレームワークを提案する。 L2SRは、ファストMRIデータセット上で最先端の再構成性能を達成するサンプルと再構成器のペアを学習する。
  論文  参考訳（メタデータ） (2022-12-05T11:54:12Z)
• Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising [9.489726334567171]
  本稿では,MR画像再構成のための自己教師あり学習を可能にする新しい再構成手法であるDURED-Netを提案する。 MR再生におけるノイズ2ノイズの再構成性能を画像物理を利用した明示的な事前付加により向上することを目的としている。 提案手法は, 再現性を高めるために, トレーニングデータ量の削減を必要とすることを示した。
  論文  参考訳（メタデータ） (2022-05-07T01:49:31Z)
• PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI [47.24613772568027]
  圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。 本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。 2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-24T04:23:57Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• 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-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)

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。