論文の概要: A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle
Correction and Geometric Prior Distillation
- arxiv url: http://arxiv.org/abs/2205.07062v1
- Date: Sat, 14 May 2022 13:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 17:39:24.508354
- Title: A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle
Correction and Geometric Prior Distillation
- Title（参考訳）: 2グリッドサイクル補正と幾何学的事前蒸留を併用したマルチサンプリング比CS-MRIフレームワーク
- Authors: Xiaohong Fan, Yin Yang, Ke Chen, Jianping Zhang, Ke Dong
- Abstract要約: 本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。
マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。
各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
- 参考スコア（独自算出の注目度）: 7.643154460109723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: CS is an efficient method to accelerate the acquisition of MR images from
under-sampled k-space data. Although existing deep learning CS-MRI methods have
achieved considerably impressive performance, explainability and
generalizability continue to be challenging for such methods since most of them
are not flexible enough to handle multi-sampling-ratio reconstruction
assignments, often the transition from mathematical analysis to network design
not always natural enough. In this work, to tackle explainability and
generalizability, we propose a unifying deep unfolding multi-sampling-ratio
CS-MRI framework, by merging advantages of model-based and deep learning-based
methods. The combined approach offers more generalizability than previous works
whereas deep learning gains explainability through a geometric prior module.
Inspired by multigrid algorithm, we first embed the CS-MRI-based optimization
algorithm into correction-distillation scheme that consists of three
ingredients: pre-relaxation module, correction module and geometric prior
distillation module. Furthermore, we employ a condition module to learn
adaptively step-length and noise level from compressive sampling ratio in every
stage, which enables the proposed framework to jointly train multi-ratio tasks
through a single model. The proposed model can not only compensate the lost
contextual information of reconstructed image which is refined from low
frequency error in geometric characteristic k-space, but also integrate the
theoretical guarantee of model-based methods and the superior reconstruction
performances of deep learning-based methods. All physical-model parameters are
learnable, and numerical experiments show that our framework outperforms
state-of-the-art methods in terms of qualitative and quantitative evaluations.
- Abstract（参考訳）: CSは、アンダーサンプリングされたk空間データからMR画像の取得を高速化する効率的な方法である。
既存の深層学習CS-MRI法は非常に優れた性能を保っているが、説明可能性や一般化性は、多くの場合、マルチサンプリング比の再構成代入を扱うのに十分な柔軟性を持っていないため、これらの手法では引き続き困難である。
そこで本研究では,モデルに基づく手法と深層学習方式の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。
この組み合わせアプローチは、従来のものよりも一般化可能であり、ディープラーニングは幾何学的事前モジュールを通じて説明可能となる。
マルチグリッドアルゴリズムに着想を得て,まずCS-MRIに基づく最適化アルゴリズムを,事前緩和モジュール,補正モジュール,幾何事前蒸留モジュールの3成分からなる補正蒸留方式に組み込む。
さらに,各段階における圧縮サンプリング比から段階長と雑音レベルを適応的に学習する条件モジュールを用いて,単一モデルによる多段階タスクの同時学習を可能にする。
提案モデルは,幾何学的特性k空間における低周波誤差から洗練される再構成画像の失われた文脈情報を補償するだけでなく,モデルベース手法の理論的保証と深層学習手法の優れた再構成性能を統合することができる。
全ての物理モデルパラメータは学習可能であり、数値実験により、我々のフレームワークは質的および定量的評価の観点から最先端の手法より優れていることが示された。
関連論文リスト
- MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated
Convolution for Image Compressive Sensing (CS) [0.0]
圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。
我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。
MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
論文 参考訳（メタデータ） (2024-01-05T16:25:58Z) - Free from Bellman Completeness: Trajectory Stitching via Model-based
Return-conditioned Supervised Learning [22.287106840756483]
本稿では,リターン条件付き教師あり学習(RCSL)に基づく非政治的学習技術が,ベルマン完全性の課題を回避することができることを示す。
本稿では,MBRCSL と呼ばれる単純なフレームワークを提案し,RCSL の手法により動的プログラミングにより,異なるトラジェクトリのセグメントを縫合することを可能にする。
論文 参考訳（メタデータ） (2023-10-30T07:03:14Z) - CoopInit: Initializing Generative Adversarial Networks via Cooperative
Learning [50.90384817689249]
CoopInitは、協力的な学習ベースの戦略で、GANにとって良い出発点を素早く学べる。
本稿では,画像生成における提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-03-21T07:49:32Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - A General Framework for Sample-Efficient Function Approximation in
Reinforcement Learning [132.45959478064736]
モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。
最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。
本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-09-30T17:59:16Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - Image-specific Convolutional Kernel Modulation for Single Image
Super-resolution [85.09413241502209]
本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。
我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。
単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-11-16T11:05:10Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳（メタデータ） (2021-03-01T22:55:48Z) - Scalable Deep Compressive Sensing [43.92187349325869]
既存のディープラーニング手法の多くは、異なるサブサンプリング比率のために異なるモデルをトレーニングする。
本研究では,拡張性深部圧縮センシング(SDCS)と呼ばれるフレームワークを開発し,既存のすべてのエンドツーエンド学習モデルの拡張性サンプリングと再構成を行う。
実験の結果,SDCSを用いたモデルでは,良好な性能を維持しながら構造を変更せずにSSRを達成でき,SDCSは他のSSR法よりも優れていた。
論文 参考訳（メタデータ） (2021-01-20T08:42:50Z) - Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。
提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
論文 参考訳（メタデータ） (2020-03-23T17:55:42Z)
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。