論文の概要: Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers

• arxiv url: http://arxiv.org/abs/2204.01706v1
• Date: Fri, 1 Apr 2022 22:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 14:38:53.223750
• Title: Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers
• Title（参考訳）: 高速MRIのためのデータ・物理駆動学習モデル -CNN, GANから注意・変圧器までの基礎と方法論-
• Authors: Jiahao Huang, Yingying Fang, Yang Nan, Huanjun Wu, Yinzhe Wu, Zhifan Gao, Yang Li, Zidong Wang, Pietro Lio, Daniel Rueckert, Yonina C. Eldar, Guang Yang
• Abstract要約: 本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
• 参考スコア（独自算出の注目度）: 72.047680167969
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Research studies have shown no qualms about using data driven deep learning models for downstream tasks in medical image analysis, e.g., anatomy segmentation and lesion detection, disease diagnosis and prognosis, and treatment planning. However, deep learning models are not the sovereign remedy for medical image analysis when the upstream imaging is not being conducted properly (with artefacts). This has been manifested in MRI studies, where the scanning is typically slow, prone to motion artefacts, with a relatively low signal to noise ratio, and poor spatial and/or temporal resolution. Recent studies have witnessed substantial growth in the development of deep learning techniques for propelling fast MRI. This article aims to (1) introduce the deep learning based data driven techniques for fast MRI including convolutional neural network and generative adversarial network based methods, (2) survey the attention and transformer based models for speeding up MRI reconstruction, and (3) detail the research in coupling physics and data driven models for MRI acceleration. Finally, we will demonstrate through a few clinical applications, explain the importance of data harmonisation and explainable models for such fast MRI techniques in multicentre and multi-scanner studies, and discuss common pitfalls in current research and recommendations for future research directions.
• Abstract（参考訳）: 医学画像解析において、解剖学の分割や病変の検出、疾患の診断と予後、治療計画などにおいて、データ駆動型ディープラーニングモデルを下流タスクに使用するという条件は、研究によって示されていない。 しかし、上流画像が適切に実行されていない場合(人工物を含む)、深層学習モデルは医用画像解析の補助的手段ではない。 スキャンが遅く、運動アーチファクトになりがちで、信号とノイズの比率が比較的低く、空間的および/または時間的解像度の悪いmri研究でこのことが示されています。 近年の研究では、高速MRIを推進するための深層学習技術の開発が著しい成長を遂げている。 本稿では,(1)畳み込みニューラルネットワークと生成逆数ネットワークに基づく手法を含む高速MRIのための深層学習に基づくデータ駆動手法の導入,(2)MRI再構成を高速化するための注意・変圧器ベースモデルの調査,(3)MRIアクセラレーションのための結合物理とデータ駆動モデルの研究の詳細について述べる。 最後に、いくつかの臨床応用を通して、マルチセンターおよびマルチスキャナー研究において、このような高速MRI技術におけるデータ調和と説明可能なモデルの重要性を説明し、現在の研究における共通の落とし穴と今後の研究の方向性について論じる。

関連論文リスト

• Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
  圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。 ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。 CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Deep Learning for Accelerated and Robust MRI Reconstruction: a Review [28.663292249133864]
  磁気共鳴イメージング(MRI)の重要技術として深層学習(DL)が登場した 本稿では,MRI再建のためのDLの最近の進歩について概説する。
  論文  参考訳（メタデータ） (2024-04-24T07:02:03Z)
• Diffusion MRI with Machine Learning [1.9798034349981164]
  拡散強調磁気共鳴イメージング(dMRI)はユニークな機能を備えている。 機械学習は、dMRI分析の難しいタスクのいくつかに取り組むのに非常に適しているかもしれない。
  論文  参考訳（メタデータ） (2024-01-01T13:03:35Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance Image Reconstructions [0.688204255655161]
  加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。 アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。 本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
  論文  参考訳（メタデータ） (2022-06-15T03:42:18Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning [0.487576911714538]
  自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。 その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。 後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
  論文  参考訳（メタデータ） (2021-05-10T17:36:27Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)

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。