Fugu-MT 論文翻訳(概要): Dynamic MRI using Learned Transform-based Deep Tensor Low-Rank Network (DTLR-Net)

論文の概要: Dynamic MRI using Learned Transform-based Deep Tensor Low-Rank Network (DTLR-Net)

arxiv url: http://arxiv.org/abs/2206.00850v1
Date: Thu, 2 Jun 2022 02:55:41 GMT
ステータス: 処理完了
システム内更新日: 2022-06-03 14:05:08.021153
Title: Dynamic MRI using Learned Transform-based Deep Tensor Low-Rank Network (DTLR-Net)
Title（参考訳）: 学習型変換型Deep Tensor Low-Rank Network(DTLR-Net)を用いた動的MRI
Authors: Yinghao Zhang, Peng Li, Yue Hu
Abstract要約: 心臓のダイナミックMR画像に先行するテンソルローランクを学習することで,モデルに基づくディープラーニングネットワークを導入する。提案したフレームワークは,最先端のアルゴリズムと比較して,回復率の向上を実現している。
参考スコア（独自算出の注目度）: 9.658908705889777
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While low-rank matrix prior has been exploited in dynamic MR image reconstruction and has obtained satisfying performance, low-rank tensors models have recently emerged as powerful alternative representations for three-dimensional dynamic MR datasets. In this paper, we introduce a model-based deep learning network by learning the tensor low-rank prior of the cardiac dynamic MR images. Instead of representing the dynamic dataset as a low-rank tensor directly, we propose a learned transformation operator to exploit the tensor low-rank property in a transform domain. In particular, by generalizing the t-SVD tensor decomposition into a unitary transformed t-SVD, we define a transformed tensor nuclear norm (TTNN) to enforce the tensor low-rankness. The dynamic MRI reconstruction problem is thus formulated using a TTNN regularized optimization problem. An iterative algorithm based on ADMM used to minimize the cost is unrolled into a deep network, where the transform is learned using convolutional neural networks (CNNs) to promote the reconstruction quality in the feature domain. Experimental results on cardiac cine MRI reconstruction demonstrate that the proposed framework is able to provide improved recovery results compared with the state-of-the-art algorithms.
Abstract（参考訳）: 低ランク行列は, 動的MR画像再構成に利用され, 良好な性能を得たが, 最近では3次元動的MRデータセットの強力な代替表現として低ランクテンソルモデルが登場している。本稿では,心臓の動的mr画像より前のテンソル低ランクを学習し,モデルに基づく深層学習ネットワークを提案する。動的データセットをローランクテンソルとして直接表現するのではなく,変換領域におけるテンソル低ランク特性を利用する学習変換演算子を提案する。特に、t-SVDテンソル分解を単位変換されたt-SVDに一般化することにより、変換テンソル核ノルム(TTNN)を定義し、テンソル低ランク化を強制する。これにより、TTNN正規化最適化問題を用いて動的MRI再構成問題を定式化する。コストの最小化に使用されるADMMに基づく反復アルゴリズムをディープネットワークに展開し、畳み込みニューラルネットワーク(CNN)を用いて変換を学習し、特徴領域の再構成品質を向上する。心血管MRIの再建実験の結果, 提案手法は最先端のアルゴリズムと比較して, 回復率を向上できることが示された。

関連論文リスト

JotlasNet: Joint Tensor Low-Rank and Attention-based Sparse Unrolling Network for Accelerating Dynamic MRI [6.081607038128913]
動的MRI再構成のための新しいディープアンローリングネットワークJotlasNetを提案する。ダイナミックMRIでは,低ランク・スパースアンローリングネットワークが優れた性能を示した。
論文参考訳（メタデータ） (2025-02-17T12:43:04Z)
OTLRM: Orthogonal Learning-based Low-Rank Metric for Multi-Dimensional Inverse Problems [14.893020063373022]
学習可能な直交変換に基づく新しいデータ駆動型低ランクt-SVDモデルを提案する。また、生成ネットワークの効率的な表現を利用して低ランク構造を得るSVTの一般化として低ランク解法を提案する。
論文参考訳（メタデータ） (2024-12-15T12:28:57Z)
Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文参考訳（メタデータ） (2024-12-05T09:41:33Z)
T2LR-Net: An unrolling network learning transformed tensor low-rank prior for dynamic MR image reconstruction [10.402013638387334]
本稿では、畳み込みニューラルネットワーク(CNN)を用いて、テンソルの低ランクプリエントを活用するために変換されたドメインを適応的に学習するディープ・アンローリング・ネットワークを提案する。教師機構の下では、テンソル低ランク領域の学習は、再構成精度によって直接誘導される。 2つの動的心MRIデータセットの実験により、T2LR-Netは最先端の最適化ベースおよびアンローリングネットワークベースの手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-09-08T14:11:02Z)
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)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
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)
A Fully Tensorized Recurrent Neural Network [48.50376453324581]
重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
論文参考訳（メタデータ） (2020-10-08T18:24:12Z)
Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文参考訳（メタデータ） (2020-07-21T11:48:22Z)
Deep Low-rank Prior in Dynamic MR Imaging [30.70648993986445]
本稿では、学習可能な低ランクをディープネットワークアーキテクチャに導入するための2つの新しいスキームを紹介する。本研究では,SLR-Netと呼ばれるダイナミックMRイメージングのためのモデルベースアンローリングスパースとローランクネットワークを提案する。プラグ・アンド・プレイ方式では、他の動的MRニューラルネットワークに簡単に組み込むことができるプラグ・アンド・プレイLRネットワークモジュールを提案する。
論文参考訳（メタデータ） (2020-06-22T09:26:10Z)

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。