論文の概要: A Densely Interconnected Network for Deep Learning Accelerated MRI
- arxiv url: http://arxiv.org/abs/2207.02073v2
- Date: Mon, 22 May 2023 11:54:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 06:05:55.799153
- Title: A Densely Interconnected Network for Deep Learning Accelerated MRI
- Title（参考訳）: 深層学習加速MRIのための高密度相互接続ネットワーク
- Authors: Jon Andre Ottesen, Matthan W.A. Caan, Inge Rasmus Groote, Atle
Bj{\o}rnerud
- Abstract要約: カスケードなディープラーニング再構築フレームワーク(ベースラインモデル)を3つのアーキテクチャ修正を適用して修正した。
提案した密結合残留カスケードネットワーク (DIRCN) は, 4倍および8倍加速に対して8%と11%のSSIM改善を実現した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: To improve accelerated MRI reconstruction through a densely
connected cascading deep learning reconstruction framework.
Materials and Methods: A cascading deep learning reconstruction framework
(baseline model) was modified by applying three architectural modifications:
Input-level dense connections between cascade inputs and outputs, an improved
deep learning sub-network, and long-range skip-connections between subsequent
deep learning networks. An ablation study was performed, where five model
configurations were trained on the NYU fastMRI neuro dataset with an end-to-end
scheme conjunct on four- and eight-fold acceleration. The trained models were
evaluated by comparing their respective structural similarity index measure
(SSIM), normalized mean square error (NMSE) and peak signal to noise ratio
(PSNR).
Results: The proposed densely interconnected residual cascading network
(DIRCN), utilizing all three suggested modifications, achieved a SSIM
improvement of 8% and 11% for four- and eight-fold acceleration, respectively.
For eight-fold acceleration, the model achieved a 23% decrease in the NMSE when
compared to the baseline model. In an ablation study, the individual
architectural modifications all contributed to this improvement, by reducing
the SSIM and NMSE with approximately 3% and 5% for four-fold acceleration,
respectively.
Conclusion: The proposed architectural modifications allow for simple
adjustments on an already existing cascading framework to further improve the
resulting reconstructions.
- Abstract（参考訳）: 目的:密結合型カスケード深層学習再構築フレームワークによるMRIの高速化を図る。
材料と方法: カスケード入力と出力の間の入力レベルの密接な接続、改良されたディープラーニングサブネットワーク、その後のディープラーニングネットワーク間の長距離スキップ接続の3つのアーキテクチャ修正を適用して、カスケード深層学習再構築フレームワーク(ベースラインモデル)を改良した。
5つのモデル構成をnyu fastmri神経データセット上でトレーニングし,4倍および8倍の加速度に結合したエンド・ツー・エンド・スキームを用いたアブレーション実験を行った。
学習したモデルは,それぞれの構造類似度指標(SSIM),正規化平均二乗誤差(NMSE),ピーク信号と雑音比(PSNR)を比較して評価した。
結果: 提案した3つの改良点を全て利用し, 4倍, 8倍加速のSSIM改善率を8%, 8倍加速率で11%とした。
8倍の加速度では、モデルがベースラインモデルと比較してnmseが23%低下した。
アブレーション実験では, ssim と nmse をそれぞれ3%, 5% の4倍加速度で減少させることで, 個々の設計変更がこれら改善に寄与した。
結論: 提案されたアーキテクチャ変更により、既存のcascadingフレームワークの調整が簡単になり、その結果の再構築がさらに改善される。
関連論文リスト
- DRACO: Differentiable Reconstruction for Arbitrary CBCT Orbits [3.331348121758607]
本稿では,円錐線CT(CBCT)画像を任意の軌道に再構成する新しい手法を提案する。
提案手法では, 任意の軌道に最適化されたシフト可変FBPアルゴリズムをディープラーニング手法により適用した。
提案手法は、特にロボットC-アームCTシステムにおいて、介入医療画像の大幅な進歩である。
論文 参考訳（メタデータ） (2024-10-18T22:59:36Z) - DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-03-14T02:11:38Z) - Reparameterization through Spatial Gradient Scaling [69.27487006953852]
リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。
本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
論文 参考訳（メタデータ） (2023-03-05T17:57:33Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳（メタデータ） (2022-05-09T07:51:54Z) - 4-bit Conformer with Native Quantization Aware Training for Speech
Recognition [13.997832593421577]
そこで本研究では,ネイティブ整数演算を応用し,学習と推論の両方を効果的に最適化する,ネイティブ量子化を考慮した4ビットASRモデルを提案する。
提案した量子化手法を評価するために,最先端のコンフォーマーベースASRモデルに関する2つの実験を行った。
大規模データセットでトレーニングされた実用的なASRシステムにおいて、4ビット量子化が実現可能であることを初めて調査し明らかにした。
論文 参考訳（メタデータ） (2022-03-29T23:57:15Z) - PR-RRN: Pairwise-Regularized Residual-Recursive Networks for Non-rigid
Structure-from-Motion [58.75694870260649]
PR-RRNは、非剛性構造移動のための新しいニューラルネットワークベースの手法である。
再建をさらに規則化するための2つの新しいペアワイズ正規化を提案する。
提案手法は,CMU MOCAPとPASCAL3D+データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-08-17T08:39:02Z) - Consistency and Monotonicity Regularization for Neural Knowledge Tracing [50.92661409499299]
人間の知識獲得を追跡する知識追跡(KT)は、オンライン学習と教育におけるAIの中心的なコンポーネントです。
本稿では, 新たなデータ拡張, 代替, 挿入, 削除の3種類と, 対応する正規化損失を提案する。
さまざまなKTベンチマークに関する広範な実験は、私たちの正規化スキームがモデルのパフォーマンスを一貫して改善することを示しています。
論文 参考訳（メタデータ） (2021-05-03T02:36:29Z) - Three-Dimensional Embedded Attentive RNN (3D-EAR) Segmentor for Left
Ventricle Delineation from Myocardial Velocity Mapping [1.8653386811342048]
MVM-CMRデータセットのための組み込みマルチチャネルアテンション機構とLSTMベースのリカレントニューラルネットワーク(RNN)を備えた3D-UNETバックボーンアーキテクチャを組み込んだ新しいフルオートマチックフレームワークを提案する。
3D-UNETのベースラインモデルと、組み込み型LSTMモジュールと各種損失関数の有無の比較により、提案モデルが最先端のベースラインモデルより大幅に改善されたことを実証できます。
論文 参考訳（メタデータ） (2021-04-26T11:04:43Z) - FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for
Optical Flow Estimation [72.41370576242116]
フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。
ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。
実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2020-01-17T07:13:51Z)
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。