Fugu-MT 論文翻訳(概要): Invertible Sharpening Network for MRI Reconstruction Enhancement

論文の概要: Invertible Sharpening Network for MRI Reconstruction Enhancement

arxiv url: http://arxiv.org/abs/2206.02838v1
Date: Mon, 6 Jun 2022 18:21:48 GMT
ステータス: 処理完了
システム内更新日: 2022-06-08 14:27:04.239427
Title: Invertible Sharpening Network for MRI Reconstruction Enhancement
Title（参考訳）: MRI再構成強化のための可逆型シャープニングネットワーク
Authors: Siyuan Dong, Eric Z. Chen, Lin Zhao, Xiao Chen, Yikang Liu, Terrence Chen, Shanhui Sun
Abstract要約: 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。
参考スコア（独自算出の注目度）: 17.812760964428165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-quality MRI reconstruction plays a critical role in clinical applications. Deep learning-based methods have achieved promising results on MRI reconstruction. However, most state-of-the-art methods were designed to optimize the evaluation metrics commonly used for natural images, such as PSNR and SSIM, whereas the visual quality is not primarily pursued. Compared to the fully-sampled images, the reconstructed images are often blurry, where high-frequency features might not be sharp enough for confident clinical diagnosis. To this end, we propose an invertible sharpening network (InvSharpNet) to improve the visual quality of MRI reconstructions. During training, unlike the traditional methods that learn to map the input data to the ground truth, InvSharpNet adapts a backward training strategy that learns a blurring transform from the ground truth (fully-sampled image) to the input data (blurry reconstruction). During inference, the learned blurring transform can be inverted to a sharpening transform leveraging the network's invertibility. The experiments on various MRI datasets demonstrate that InvSharpNet can improve reconstruction sharpness with few artifacts. The results were also evaluated by radiologists, indicating better visual quality and diagnostic confidence of our proposed method.
Abstract（参考訳）: 高品質MRI再建は臨床応用において重要な役割を担っている。深層学習に基づく手法はMRI再建において有望な結果を得た。しかし、ほとんどの最先端の手法は、PSNRやSSIMのような自然画像によく使用される評価指標を最適化するために設計されている。完全サンプリング画像と比較すると、再構成画像はしばしばぼやけており、高頻度の特徴は確実な臨床診断に十分でない可能性がある。そこで本研究では,MRI再建の視覚的品質を改善するために,可逆的シャープニングネットワーク(InvSharpNet)を提案する。トレーニング中、入力データを地上の真実にマッピングする伝統的な方法とは異なり、InvSharpNetは後方のトレーニング戦略を適用し、背景の真実(完全にサンプリングされた画像)から入力データ(青の再構成)へのぼやけた変換を学習する。推論中、学習されたぼやけ変換は、ネットワークの可逆性を利用したシャープニング変換に反転することができる。さまざまなMRIデータセットの実験により、InvSharpNetは、少数のアーティファクトで再構築のシャープネスを改善することができることが示された。以上の結果から,提案手法の視覚的品質と診断精度の向上が示唆された。

関連論文リスト

A plug-and-play synthetic data deep learning for undersampled magnetic resonance image reconstruction [15.780203168452443]
アンダーサンプ型MRI画像再構成の深層学習法は,画像デアライジングにおいて優れた性能を示した。異なるサンプリング設定に効果的に適用可能なアンダーサンプドMRI再構成のための深いプラグアンドプレイ法を提案する。
論文参考訳（メタデータ） (2023-09-13T02:37:19Z)
Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文参考訳（メタデータ） (2023-06-21T16:19:07Z)
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)
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)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。計算課題に対処する2段階の学習パラダイムを開発する。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
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)
Deep Parallel MRI Reconstruction Network Without Coil Sensitivities [4.559089047554929]
並列MRI(pMRI)における高速画像再構成のための頑健な近位勾配スキームをデータからトレーニングした正規化関数にマッピングすることにより,新しいディープニューラルネットワークアーキテクチャを提案する。提案するネットワークは,不完全なpMRIデータからのマルチコイル画像と均一なコントラストとを適応的に組み合わせることを学び,非線形エンコーダに渡されて画像のスパース特徴を効率的に抽出する。
論文参考訳（メタデータ） (2020-08-04T08:39:36Z)
Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
論文参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。