論文の概要: Localized adversarial artifacts for compressed sensing MRI
- arxiv url: http://arxiv.org/abs/2206.05289v1
- Date: Fri, 10 Jun 2022 15:20:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 14:59:50.351389
- Title: Localized adversarial artifacts for compressed sensing MRI
- Title(参考訳): 圧縮センシングMRIにおける局所的対向アーティファクト
- Authors: Rima Alaifari, Giovanni S. Alberti, Tandri Gauksson
- Abstract要約: 近年の研究では、全変動(TV)最小化と比較して、深いニューラルネットワークは、$ell2$-reconstructionエラーの観点から、対向ノイズと同じような堅牢性を示すことが示されている。
我々は、$ellinfty$-normを使用して、ロバストネスの異なる概念を検討し、ローカライズされた再構築アーティファクトは$ell2$-errorよりも関連する欠陥であると主張している。
- 参考スコア(独自算出の注目度): 2.580765958706854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As interest in deep neural networks (DNNs) for image reconstruction tasks
grows, their reliability has been called into question (Antun et al., 2020;
Gottschling et al., 2020). However, recent work has shown that compared to
total variation (TV) minimization, they show similar robustness to adversarial
noise in terms of $\ell^2$-reconstruction error (Genzel et al., 2022). We
consider a different notion of robustness, using the $\ell^\infty$-norm, and
argue that localized reconstruction artifacts are a more relevant defect than
the $\ell^2$-error. We create adversarial perturbations to undersampled MRI
measurements which induce severe localized artifacts in the TV-regularized
reconstruction. The same attack method is not as effective against DNN based
reconstruction. Finally, we show that this phenomenon is inherent to
reconstruction methods for which exact recovery can be guaranteed, as with
compressed sensing reconstructions with $\ell^1$- or TV-minimization.
- Abstract(参考訳): 画像再構成タスクに対するディープニューラルネットワーク(DNN)への関心が高まっているため、その信頼性は疑問視されている(Antun et al., 2020; Gottschling et al., 2020)。
しかし、近年の研究では、全変動(TV)の最小化と比較して、$\ell^2$-reconstruction error(Genzel et al., 2022)の点で、対向雑音と同じような頑健さを示すことが示されている。
我々は、$\ell^\infty$-normを用いて、ロバストネスの異なる概念を考え、ローカライズされた再構築アーティファクトは$\ell^2$-errorよりも関連する欠陥であると主張している。
我々は,テレビレギュラー化された再建において,高度に局所化されたアーティファクトを誘発するMRI測定をアンサンプした逆方向の摂動を生成する。
同じ攻撃方法はDNNベースの再構築には有効ではない。
最後に, この現象は, $\ell^1$- または tv-minimization を用いた圧縮センシング再構成と同様に, 正確な回復を保証できる再構成法に固有のものであることを示す。
関連論文リスト
- Re-Nerfing: Enforcing Geometric Constraints on Neural Radiance Fields
through Novel Views Synthesis [91.68255013336055]
Re-Nerfingは、NeRFのビュー合成を利用して制限に対処する、シンプルで一般的なマルチステージアプローチである。
すべてのビューでトレーニングしても、Re-Nerfingは最先端のZip-NeRFに改善をもたらすことを示す。
論文 参考訳(メタデータ) (2023-12-04T18:56:08Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - Fill the K-Space and Refine the Image: Prompting for Dynamic and
Multi-Contrast MRI Reconstruction [31.404228406642194]
ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。
本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。
提案手法は,従来の高速MRI再建法より有意に優れていた。
論文 参考訳(メタデータ) (2023-09-25T02:51:00Z) - Cine cardiac MRI reconstruction using a convolutional recurrent network
with refinement [9.173298795526152]
心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。
これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。
提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
論文 参考訳(メタデータ) (2023-09-23T14:07:04Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - 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) - 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) - SUREMap: Predicting Uncertainty in CNN-based Image Reconstruction Using
Stein's Unbiased Risk Estimate [51.67813146731196]
畳み込みニューラルネットワーク(CNN)は、コンピュータ画像再構成問題を解決する強力なツールとして登場した。
CNNはブラックボックスを理解するのが難しい。
この制限は、医療画像のような安全クリティカルな用途での利用にとって大きな障壁となる。
論文 参考訳(メタデータ) (2020-10-25T20:29:41Z) - Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。
ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。
本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
論文 参考訳(メタデータ) (2020-08-04T21:35:32Z)
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。