Fugu-MT 論文翻訳(概要): Data-Consistent Non-Cartesian Deep Subspace Learning for Efficient Dynamic MR Image Reconstruction

論文の概要: Data-Consistent Non-Cartesian Deep Subspace Learning for Efficient Dynamic MR Image Reconstruction

arxiv url: http://arxiv.org/abs/2205.01770v1
Date: Tue, 3 May 2022 20:37:21 GMT
ステータス: 処理完了
システム内更新日: 2022-05-05 15:12:52.734379
Title: Data-Consistent Non-Cartesian Deep Subspace Learning for Efficient Dynamic MR Image Reconstruction
Title（参考訳）: 動的MR画像再構成のためのデータ一貫性非カルテアン深部学習
Authors: Zihao Chen, Yuhua Chen, Yibin Xie, Debiao Li, Anthony G. Christodoulou
Abstract要約: Data-Consistent (DC) 深層学習は画像品質のよい再構成を加速するが、非カルテシアン部分空間イメージングでは定式化されていない。高速かつ高精度な動的MR画像再構成のための直流非直流深部部分空間学習フレームワークを提案する。
参考スコア（独自算出の注目度）: 17.713927354433398
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Non-Cartesian sampling with subspace-constrained image reconstruction is a popular approach to dynamic MRI, but slow iterative reconstruction limits its clinical application. Data-consistent (DC) deep learning can accelerate reconstruction with good image quality, but has not been formulated for non-Cartesian subspace imaging. In this study, we propose a DC non-Cartesian deep subspace learning framework for fast, accurate dynamic MR image reconstruction. Four novel DC formulations are developed and evaluated: two gradient decent approaches, a directly solved approach, and a conjugate gradient approach. We applied a U-Net model with and without DC layers to reconstruct T1-weighted images for cardiac MR Multitasking (an advanced multidimensional imaging method), comparing our results to the iteratively reconstructed reference. Experimental results show that the proposed framework significantly improves reconstruction accuracy over the U-Net model without DC, while significantly accelerating the reconstruction over conventional iterative reconstruction.
Abstract（参考訳）: 部分空間制約画像再構成を用いた非カルテシアンサンプリングは、ダイナミックMRIに対する一般的なアプローチであるが、反復的再構成が遅いことで臨床応用が制限される。 Data-Consistent (DC) 深層学習は画像品質のよい再構成を加速するが、非カルテシアン部分空間イメージングでは定式化されていない。本研究では,高速で高精度な動的mr画像再構成のためのdc非カルテ的深部空間学習フレームワークを提案する。 4つの新しい直流定式化が開発・評価され, 2つの勾配的アプローチ, 直接解法, 共役的勾配的アプローチが得られた。心MRマルチタスキングにおけるT1強調画像の再構成には, 直流層と非直流層を併用したU-Netモデルを適用した。実験の結果,提案手法は直流のないU-Netモデルの復元精度を著しく向上する一方で,従来の反復的再構成よりも大幅な高速化を図っている。

関連論文リスト

DuDoUniNeXt: Dual-domain unified hybrid model for single and multi-contrast undersampled MRI reconstruction [24.937435059755288]
そこで我々はDuDoUniNeXtを提案する。DuDoUniNeXtは、不在、低品質、高品質な参照画像を含むシナリオに対応可能な、統合されたデュアルドメインMRI再構成ネットワークである。実験により,提案モデルが最先端のSCモデルとMCモデルを大幅に上回ることを示した。
論文参考訳（メタデータ） (2024-03-08T12:26:48Z)
Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文参考訳（メタデータ） (2023-10-10T13:46:11Z)
Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction [0.0]
近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
論文参考訳（メタデータ） (2023-04-14T06:58:44Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Learning-based and unrolled motion-compensated reconstruction for cardiac MR CINE imaging [8.095696087978977]
運動補償MR再構成(MCMR)は、かなりの可能性を持つ強力な概念である。心臓MRI画像における非剛性運動障害を効果的に扱うための,MCMRのための学習ベースの自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2022-09-08T09:34:12Z)
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)
A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文参考訳（メタデータ） (2022-03-28T14:03:45Z)
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)
Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文参考訳（メタデータ） (2021-10-15T13:16:59Z)
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)

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。