論文の概要: A deep cascade of ensemble of dual domain networks with gradient-based
T1 assistance and perceptual refinement for fast MRI reconstruction
- arxiv url: http://arxiv.org/abs/2207.01791v1
- Date: Tue, 5 Jul 2022 03:29:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-06 15:24:15.967350
- Title: A deep cascade of ensemble of dual domain networks with gradient-based
T1 assistance and perceptual refinement for fast MRI reconstruction
- Title（参考訳）: 勾配型T1補聴器と知覚改善を用いた高速MRI再建のための二重ドメインネットワークの深部アンサンブル
- Authors: Balamurali Murugesan, Sriprabha Ramanarayanan, Sricharan Vijayarangan,
Keerthi Ram, Naranamangalam R Jagannathan, Mohanasankar Sivaprakasam
- Abstract要約: 我々は,再建の量的および知覚的品質をさらに向上させるため,深層ネットワークを構築した。
単コイル取得には,データ忠実度(DF)ユニットにインターリーブされたRSNブロックのカスケードであるディープカスケードRSN(DC-RSN)を導入する。
マルチコイル取得には, 可変分割RSN (VS-RSN) , ブロックの深いカスケード, それぞれ RSN, マルチコイルDFユニット, 重み付き平均モジュールを含むブロックを提案する。
- 参考スコア（独自算出の注目度）: 1.1744028458220428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning networks have shown promising results in fast magnetic
resonance imaging (MRI) reconstruction. In our work, we develop deep networks
to further improve the quantitative and the perceptual quality of
reconstruction. To begin with, we propose reconsynergynet (RSN), a network that
combines the complementary benefits of independently operating on both the
image and the Fourier domain. For a single-coil acquisition, we introduce deep
cascade RSN (DC-RSN), a cascade of RSN blocks interleaved with data fidelity
(DF) units. Secondly, we improve the structure recovery of DC-RSN for T2
weighted Imaging (T2WI) through assistance of T1 weighted imaging (T1WI), a
sequence with short acquisition time. T1 assistance is provided to DC-RSN
through a gradient of log feature (GOLF) fusion. Furthermore, we propose
perceptual refinement network (PRN) to refine the reconstructions for better
visual information fidelity (VIF), a metric highly correlated to radiologists
opinion on the image quality. Lastly, for multi-coil acquisition, we propose
variable splitting RSN (VS-RSN), a deep cascade of blocks, each block
containing RSN, multi-coil DF unit, and a weighted average module. We
extensively validate our models DC-RSN and VS-RSN for single-coil and
multi-coil acquisitions and report the state-of-the-art performance. We obtain
a SSIM of 0.768, 0.923, 0.878 for knee single-coil-4x, multi-coil-4x, and
multi-coil-8x in fastMRI. We also conduct experiments to demonstrate the
efficacy of GOLF based T1 assistance and PRN.
- Abstract（参考訳）: 深層学習ネットワークは高速磁気共鳴画像(MRI)再構成において有望な結果を示している。
本研究は,再建の量的・知覚的品質をさらに向上させるために,深層ネットワークを構築した。
まず,画像とフーリエ領域の両方で独立に操作することで,補足的な利益を享受できるネットワークであるreconsynergynet(rsn)を提案する。
単コイル取得には,データ忠実度(DF)ユニットにインターリーブされたRSNブロックのカスケードであるディープカスケードRSN(DC-RSN)を導入する。
第2に,T1強調画像(T1WI)を用いたT2強調画像(T2WI)におけるDC-RSNの構造回復について検討した。
T1アシストは、ログ機能(GOLF)融合を通じてDC-RSNに提供される。
さらに,画像品質に関する放射線科医の意見と高い相関を持つ指標であるvif(better visual information fidelity)の再構成を洗練するためにprn(perceptualfine network)を提案する。
最後に, マルチコイル取得のために, RSN, マルチコイルDFユニット, 重み付き平均モジュールを含むブロックの深いカスケードである変数分割RSN(VS-RSN)を提案する。
我々は,DC-RSN と VS-RSN を単コイル,複数コイルの取得に対して広範囲に検証し,最先端の性能を報告する。
高速MRIでは膝単コイル4x, マルチコイル4x, マルチコイル8xに対して0.768, 0.923, 0.878のSSIMが得られる。
また,ゴルフベースt1支援とprnの有効性を実証する実験を行った。
関連論文リスト
- Attention Incorporated Network for Sharing Low-rank, Image and K-space Information during MR Image Reconstruction to Achieve Single Breath-hold Cardiac Cine Imaging [9.531827741901662]
我々は,MRI再構成のための新しい深層学習ネットワークに,低ランク,画像,k空間を含む複数の領域からの情報を埋め込むことを提案する。
A-LIKNetは並列ブランチ構造を採用し、k空間と画像領域で独立した学習を可能にする。
論文 参考訳（メタデータ） (2024-07-03T11:54:43Z) - 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) - Image Reconstruction for Accelerated MR Scan with Faster Fourier
Convolutional Neural Networks [87.87578529398019]
部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。
本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。
2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。
k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
論文 参考訳（メタデータ） (2023-06-05T13:53:57Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - 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) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - DSFormer: A Dual-domain Self-supervised Transformer for Accelerated
Multi-contrast MRI Reconstruction [15.49473622511862]
マルチコントラストMRI(Multi-Contrast MRI)は、複数の相補的な画像モダリティをキャプチャする。
現在のディープラーニングMRI再構成ネットワークは、複数のコントラスト間の冗長性を活用することに重点を置いている。
本稿では,MC-MRIの高速化を目的としたデュアルドメイン自己教師型トランス (DSFormer) を提案する。
論文 参考訳（メタデータ） (2022-01-26T06:52:24Z) - 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) - Semantic Features Aided Multi-Scale Reconstruction of Inter-Modality
Magnetic Resonance Images [12.39341163725669]
本稿では,エンコーダデコーダアーキテクチャを用いて,T1W画像からT2W画像を再構成する,新しいディープ・ネットワーク・ベース・ソリューションを提案する。
提案した学習は,2方向の強調値と画像の勾配を持つマルチチャネル入力を用いて,意味的特徴によって支援される。
論文 参考訳（メタデータ） (2020-06-22T19:53:50Z) - DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI
Reconstruction with Deep T1 Prior [19.720518236653195]
深部T1を組み込んだDuDoRNet(DuDoRNet)を提案し,k空間と画像の同時復元を行う。
提案手法は常に最先端の手法より優れており,高品質なMRIを再構築することができる。
論文 参考訳（メタデータ） (2020-01-11T21:34:48Z)
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。