Fugu-MT 論文翻訳(概要): PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI

論文の概要: PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI

arxiv url: http://arxiv.org/abs/2204.11189v1
Date: Sun, 24 Apr 2022 04:23:57 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 03:54:47.407441
Title: PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI
Title（参考訳）: PUERT:CS-MRIのための確率的アンダーサンプリングと説明可能な再構成ネットワーク
Authors: Jingfen Xie, Jian Zhang, Yongbing Zhang, Xiangyang Ji
Abstract要約: 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。
参考スコア（独自算出の注目度）: 47.24613772568027
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Compressed Sensing MRI (CS-MRI) aims at reconstructing de-aliased images from sub-Nyquist sampling k-space data to accelerate MR Imaging, thus presenting two basic issues, i.e., where to sample and how to reconstruct. To deal with both problems simultaneously, we propose a novel end-to-end Probabilistic Under-sampling and Explicable Reconstruction neTwork, dubbed PUERT, to jointly optimize the sampling pattern and the reconstruction network. Instead of learning a deterministic mask, the proposed sampling subnet explores an optimal probabilistic sub-sampling pattern, which describes independent Bernoulli random variables at each possible sampling point, thus retaining robustness and stochastics for a more reliable CS reconstruction. A dynamic gradient estimation strategy is further introduced to gradually approximate the binarization function in backward propagation, which efficiently preserves the gradient information and further improves the reconstruction quality. Moreover, in our reconstruction subnet, we adopt a model-based network design scheme with high efficiency and interpretability, which is shown to assist in further exploitation for the sampling subnet. Extensive experiments on two widely used MRI datasets demonstrate that our proposed PUERT not only achieves state-of-the-art results in terms of both quantitative metrics and visual quality but also yields a sub-sampling pattern and a reconstruction model that are both customized to training data.
Abstract（参考訳）: Compressed Sensing MRI (CS-MRI) は、k空間データをサンプリングしてMRイメージングを加速するために、サブニキストからデエイリアスイメージを再構成することを目的としている。両問題を同時に処理するために, 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 Explicable Reconstruction neTwork を提案する。決定論的マスクを学習する代わりに、提案するサンプリングサブネットは最適な確率的サブサンプリングパターンを探索し、それぞれのサンプリング点における独立したベルヌーイ確率変数を記述し、より信頼性の高いcs再構成のための堅牢性と確率性を保持する。さらに、動的勾配推定戦略を導入し、後方伝播における二項化関数を徐々に近似し、勾配情報を効率的に保存し、さらに復元品質を向上させる。さらに,再構成サブネットでは,サンプリングサブネットのさらなる活用を支援するために,高効率かつ解釈性を有するモデルベースネットワーク設計方式を採用する。 2つの広く使われているmriデータセットに関する広範囲な実験により、提案するpuertは定量的指標と視覚品質の両方で最先端の結果を得るだけでなく、サブサンプリングパターンとトレーニングデータにカスタマイズされた再構成モデルも生み出すことが示された。

関連論文リスト

Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文参考訳（メタデータ） (2022-10-25T08:34:29Z)
NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文参考訳（メタデータ） (2022-07-22T10:05:36Z)
A theoretical framework for self-supervised MR image reconstruction using sub-sampling via variable density Noisier2Noise [0.0]
我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
論文参考訳（メタデータ） (2022-05-20T16:19:23Z)
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)
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)
Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文参考訳（メタデータ） (2021-11-11T04:04:48Z)
End-to-End Sequential Sampling and Reconstruction for MR Imaging [37.29958197193658]
本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
論文参考訳（メタデータ） (2021-05-13T17:56:18Z)
Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文参考訳（メタデータ） (2021-02-11T12:00:24Z)
Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
論文参考訳（メタデータ） (2020-04-22T12:50:03Z)
1D Probabilistic Undersampling Pattern Optimization for MR Image Reconstruction [3.46218629010647]
本稿では,MR画像再構成のためのクロスドメインネットワークを,限られたサンプリングレートで,振り返りデータ駆動方式で提案する。本手法は,学習データの種類に合わせて最適なアンダーサンプリングパターン(k空間)と再構成モデルを同時に得ることができる。
論文参考訳（メタデータ） (2020-03-08T15:15:37Z)

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。