論文の概要: Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2204.02480v1
- Date: Tue, 5 Apr 2022 20:28:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 14:53:02.440375
- Title: Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた最適K空間獲得と再構成の学習
- Authors: Wei Peng, Li Feng, Guoying Zhao, Fang Liu
- Abstract要約: 深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
- 参考スコア（独自算出の注目度）: 46.751292014516025
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The inherent slow imaging speed of Magnetic Resonance Image (MRI) has spurred
the development of various acceleration methods, typically through
heuristically undersampling the MRI measurement domain known as k-space.
Recently, deep neural networks have been applied to reconstruct undersampled
k-space data and have shown improved reconstruction performance. While most of
these methods focus on designing novel reconstruction networks or new training
strategies for a given undersampling pattern, \textit{e.g.}, Cartesian
undersampling or Non-Cartesian sampling, to date, there is limited research
aiming to learn and optimize k-space sampling strategies using deep neural
networks. This work proposes a novel optimization framework to learn k-space
sampling trajectories by considering it as an Ordinary Differential Equation
(ODE) problem that can be solved using neural ODE. In particular, the sampling
of k-space data is framed as a dynamic system, in which neural ODE is
formulated to approximate the system with additional constraints on MRI
physics. In addition, we have also demonstrated that trajectory optimization
and image reconstruction can be learned collaboratively for improved imaging
efficiency and reconstruction performance. Experiments were conducted on
different in-vivo datasets (\textit{e.g.}, brain and knee images) acquired with
different sequences. Initial results have shown that our proposed method can
generate better image quality in accelerated MRI than conventional
undersampling schemes in Cartesian and Non-Cartesian acquisitions.
- Abstract（参考訳）: 磁気共鳴画像(mri)の固有低速撮像速度は、様々な加速法の開発を加速させ、典型的には、k空間として知られるmri測定領域をヒューリスティックに過小評価している。
近年,深層ニューラルネットワークがk空間データの再構成に応用され,再構成性能が向上している。
これらの手法のほとんどは、新しい再構成ネットワークの設計や、所定のアンダーサンプリングパターンである \textit{e.g.}, cartesian undersampling or non-cartesian samplingに対する新しいトレーニング戦略に焦点を当てているが、深層ニューラルネットワークを用いたk空間サンプリング戦略の学習と最適化を目的とした研究は限られている。
本研究では,k空間サンプリング軌道をニューラルODEを用いて解ける正規微分方程式(ODE)問題として考慮し,新しい最適化手法を提案する。
特に、k空間データのサンプリングは、MRI物理に制約を加えることで、システムを近似するためにニューラルODEを定式化した動的システムとしてフレーム化される。
また, トラジェクトリ最適化と画像再構成を協調的に学習することで, 画像の効率と再構成性能を向上させることも実証した。
異なるシーケンスで取得した異なる in-vivo データセット (\textit{e}, 脳と膝の画像) について実験を行った。
提案手法は,従来のデカルトおよび非カルト買収のアンダーサンプリング方式よりも高速MRIで画像品質を向上できることを示す。
関連論文リスト
- Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。
既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。
画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:54:04Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳（メタデータ） (2022-11-22T06:42:41Z) - 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) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳（メタデータ） (2021-08-12T08:46:35Z) - 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) - Adaptive convolutional neural networks for k-space data interpolation in
fast magnetic resonance imaging [4.0703084037031685]
既存のディープラーニングベースの画像再構成手法は、一般的に、重量共有畳み込みニューラルネットワークをk空間データに適用する。
我々は、k空間データ(ACNN-k-Space)のための適応畳み込みニューラルネットワークと呼ばれるディープラーニングアルゴリズムを開発する。
提案手法は,k空間データのアンサンプから画像の再構成を効果的に行い,現在の最先端技術よりも画像再構成性能が大幅に向上する。
論文 参考訳（メタデータ） (2020-06-02T04:29:33Z) - Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI
Acquisition [19.422926534305837]
本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。
具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。
ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
論文 参考訳（メタデータ） (2020-01-13T19:01:17Z) - ODE-based Deep Network for MRI Reconstruction [1.569044447685249]
画像品質を向上したMR画像の高速取得を実現するために,MRI再構成のためのODEベースのディープネットワークを提案する。
提案手法は, 標準UNetネットワークとResidualネットワークをベースとした再構成手法と比較して, 高品質な画像を提供できることを示す。
論文 参考訳（メタデータ） (2019-12-27T20:13:30Z)
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。