論文の概要: Angular Super-Resolution in Diffusion MRI with a 3D Recurrent
Convolutional Autoencoder
- arxiv url: http://arxiv.org/abs/2203.15598v1
- Date: Tue, 29 Mar 2022 14:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 19:46:39.995140
- Title: Angular Super-Resolution in Diffusion MRI with a 3D Recurrent
Convolutional Autoencoder
- Title(参考訳): 3次元畳み込みオートエンコーダを用いた拡散MRIの角超解像
- Authors: Matthew Lyon, Paul Armitage, Mauricio A. \'Alvarez
- Abstract要約: 高分解能拡散MRI(dMRI)データは、臨床環境ではスキャン時間に制限されることが多い。
角領域のdMRIボリュームを超解き放つことができる3次元リカレント畳み込みニューラルネットワークを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High resolution diffusion MRI (dMRI) data is often constrained by limited
scanning time in clinical settings, thus restricting the use of downstream
analysis techniques that would otherwise be available. In this work we develop
a 3D recurrent convolutional neural network (RCNN) capable of super-resolving
dMRI volumes in the angular (q-space) domain. Our approach formulates the task
of angular super-resolution as a patch-wise regression using a 3D autoencoder
conditioned on target b-vectors. Within the network we use a convolutional long
short term memory (ConvLSTM) cell to model the relationship between q-space
samples. We compare model performance against a baseline spherical harmonic
interpolation and a 1D variant of the model architecture. We show that the 3D
model has the lowest error rates across different subsampling schemes and
b-values. The relative performance of the 3D RCNN is greatest in the very low
angular resolution domain. Code for this project is available at
https://github.com/m-lyon/dMRI-RCNN.
- Abstract(参考訳): 高分解能拡散MRI(dMRI)データはしばしば臨床環境での走査時間制限によって制限されるため、ダウンストリーム解析技術の使用が制限される。
本研究では,3次元反復畳み込みニューラルネットワーク(RCNN)を開発した。
提案手法は,目標bベクトルに条件付き3次元オートエンコーダを用いて,角度分解能のタスクをパッチワイド回帰として定式化する。
ネットワーク内では畳み込み型long short term memory(convlstm)セルを使用して、q空間サンプル間の関係をモデル化します。
モデル性能を,ベースライン球面調和補間とモデルアーキテクチャの1次元不変量と比較する。
3dモデルは,様々なサブサンプリングスキームとb値において,最も低い誤差率を示す。
3D RCNNの相対的な性能は、非常に低い角分解能領域で最大である。
このプロジェクトのコードはhttps://github.com/m-lyon/dMRI-RCNNで公開されている。
関連論文リスト
- 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。
本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。
提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
論文 参考訳(メタデータ) (2024-11-01T12:50:38Z) - Efficient Slice Anomaly Detection Network for 3D Brain MRI Volume [2.3633885460047765]
現在の異常検出法は, 基準産業データより優れているが, 「正常」 と「異常」の定義の相違により, 医療データに苦慮している。
我々は,ImageNet上で事前学習し,MRIデータセットを2次元スライス特徴抽出器として微調整したモデルを用いたSimple Slice-based Network (SimpleSliceNet) というフレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-28T17:20:56Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳(メタデータ) (2024-05-25T13:54:34Z) - RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。
ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。
本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
論文 参考訳(メタデータ) (2024-01-16T18:57:50Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳(メタデータ) (2023-03-22T18:59:48Z) - Computationally Efficient 3D MRI Reconstruction with Adaptive MLP [12.796051051794024]
現在の手法は主に、小さなカーネルを持つ畳み込みニューラルネットワーク(CNN)に基づいている。
本稿では,低周波再構成用CNNモジュールと大周波再構成用GPU(MLP)モジュールのハイブリッドとしてRecon3DMLPを提案する。
論文 参考訳(メタデータ) (2023-01-21T02:58:51Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - Highly Accurate FMRI ADHD Classification using time distributed multi
modal 3D CNNs [0.0]
本研究では,ADHD障害分類のためのfMRIデータ解析アルゴリズムを提案する。
3D-GANを利用することで、ディープフェイクデータを使用して脳障害の3D CNN分類の精度を高めることができる。
論文 参考訳(メタデータ) (2022-05-24T11:39:11Z) - R2U3D: Recurrent Residual 3D U-Net for Lung Segmentation [17.343802171952195]
本稿では,3次元肺分割作業のための新しいモデルであるRecurrent Residual 3D U-Net(R2U3D)を提案する。
特に,提案モデルでは,U-Netに基づくRecurrent Residual Neural Networkに3次元畳み込みを組み込む。
提案するR2U3Dネットワークは、公開データセットLUNA16に基づいてトレーニングされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-05-05T19:17:14Z) - Enhancing Fiber Orientation Distributions using convolutional Neural
Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。
パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価
本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文 参考訳(メタデータ) (2020-08-12T16:06:25Z) - Pix2Vox++: Multi-scale Context-aware 3D Object Reconstruction from
Single and Multiple Images [56.652027072552606]
Pix2Vox++という,単一ビューと複数ビューの3Dオブジェクト再構成のための新しいフレームワークを提案する。
良く設計されたエンコーダデコーダを用いて、各入力画像から粗い3Dボリュームを生成する。
次に、マルチスケールコンテキスト対応融合モジュールを導入し、全ての粗い3Dボリュームから異なる部分の高品質な再構成を適応的に選択し、融合した3Dボリュームを得る。
論文 参考訳(メタデータ) (2020-06-22T13:48:09Z)
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。