Fugu-MT 論文翻訳(概要): Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising

論文の概要: Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising

arxiv url: http://arxiv.org/abs/2205.03519v3
Date: Thu, 5 Oct 2023 00:15:00 GMT
ステータス: 処理完了
システム内更新日: 2023-10-06 23:34:06.929594
Title: Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising
Title（参考訳）: 正規化を用いたDenoisingによる自己教師型Deep Unrolled Reconstruction
Authors: Peizhou Huang, Chaoyi Zhang, Xiaoliang Zhang, Xiaojuan Li, Liang Dong, Leslie Ying
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.489726334567171
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning methods have been successfully used in various computer vision tasks. Inspired by that success, deep learning has been explored in magnetic resonance imaging (MRI) reconstruction. In particular, integrating deep learning and model-based optimization methods has shown considerable advantages. However, a large amount of labeled training data is typically needed for high reconstruction quality, which is challenging for some MRI applications. In this paper, we propose a novel reconstruction method, named DURED-Net, that enables interpretable self-supervised learning for MR image reconstruction by combining a self-supervised denoising network and a plug-and-play method. We aim to boost the reconstruction performance of Noise2Noise in MR reconstruction by adding an explicit prior that utilizes imaging physics. Specifically, the leverage of a denoising network for MRI reconstruction is achieved using Regularization by Denoising (RED). Experiment results demonstrate that the proposed method requires a reduced amount of training data to achieve high reconstruction quality among the state-of-art of MR reconstruction utilizing the Noise2Noise method.
Abstract（参考訳）: 深層学習法は様々なコンピュータビジョンタスクでうまく使われている。この成功にインスパイアされた深層学習は、磁気共鳴画像再構成(MRI)において研究されている。特に、ディープラーニングとモデルに基づく最適化手法の統合は、大きな利点を示している。しかし、多くのラベル付きトレーニングデータが高い再構成品質のために必要であり、一部のmri応用では困難である。本稿では,MR画像再構成のための自己教師あり学習を自己教師ありネットワークとプラグ・アンド・プレイを組み合わせることで,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。具体的には、Denoising by Denoising (RED)を用いて、MRI再構成のためのデノナイジングネットワークの活用を実現する。実験結果から, ノイズ2ノイズ法を用いたMR再建の最先端化には, トレーニングデータ量の削減が必要と考えられた。

関連論文リスト

MRI Field-transfer Reconstruction with Limited Data: Regularization by Neural Style Transfer [1.755209318470883]
Denoising (RED) による正規化は、画像再構成の先行として Denoiser を組み込む一般的なパイプラインである。本稿では,ニューラル・スタイル・トランスファー(RNST)法による正規化手法を提案する。
論文参考訳（メタデータ） (2023-08-21T18:26:35Z)
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)
Invertible Sharpening Network for MRI Reconstruction Enhancement [17.812760964428165]
InvSharpNet(InvSharpNet)は,MRI再建の視覚的品質を改善するために提案される。入力データを地上の真実にマッピングする従来の方法とは異なり、InvSharpNetは、ぼやけた変換を学ぶための後方トレーニング戦略を適用している。さまざまなMRIデータセットの実験では、InvSharpNetはアーティファクトの少ない再構築シャープネスを改善することができる。
論文参考訳（メタデータ） (2022-06-06T18:21:48Z)
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)
Rethinking the optimization process for self-supervised model-driven MRI reconstruction [16.5013498806588]
K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。統計的に依存したノイズによるネットワークの復元劣化を低減することができる。 5つの最先端の手法よりも優れた結果が得られる。
論文参考訳（メタデータ） (2022-03-18T03:41:36Z)
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)
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)
Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文参考訳（メタデータ） (2021-03-03T03:04:40Z)
Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
論文参考訳（メタデータ） (2020-10-30T19:26:14Z)
Deep Attentive Wasserstein Generative Adversarial Networks for MRI Reconstruction with Recurrent Context-Awareness [5.474237208776356]
圧縮センシングベースMRI(CS-MRI)の再生性能は,その遅い反復法とノイズによるアーチファクトの影響を受けている。本稿では,WGAN(Wasserstein Generative Adversarial Networks)とリカレントニューラルネットワーク(Recurrent Neural Networks)を結合することにより,逐次MRIスライス間の関係をフル活用する,深層学習に基づくCS-MRI再構成手法を提案する。
論文参考訳（メタデータ） (2020-06-23T11:50:21Z)

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。