論文の概要: K-UNN: k-Space Interpolation With Untrained Neural Network
- arxiv url: http://arxiv.org/abs/2208.05827v1
- Date: Thu, 11 Aug 2022 13:53:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:25:22.474119
- Title: K-UNN: k-Space Interpolation With Untrained Neural Network
- Title(参考訳): K-UNN:未学習ニューラルネットワークを用いたk空間補間
- Authors: Zhuo-Xu Cui, Sen Jia, Qingyong Zhu, Congcong Liu, Zhilang Qiu,
Yuanyuan Liu, Jing Cheng, Haifeng Wang, Yanjie Zhu and Dong Liang
- Abstract要約: Untrained Neural Network (UNN) は、ランダムサンプリング軌道上のMR画像再構成に十分な性能を示した。
MR画像の3つの物理的先行性によって駆動される3重アーキテクチャを持つ特別設計のUNNを用いて、MRIの保護されたk空間法を提案する。
- 参考スコア(独自算出の注目度): 28.129181950669686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, untrained neural networks (UNNs) have shown satisfactory
performances for MR image reconstruction on random sampling trajectories
without using additional full-sampled training data. However, the existing
UNN-based approach does not fully use the MR image physical priors, resulting
in poor performance in some common scenarios (e.g., partial Fourier, regular
sampling, etc.) and the lack of theoretical guarantees for reconstruction
accuracy. To bridge this gap, we propose a safeguarded k-space interpolation
method for MRI using a specially designed UNN with a tripled architecture
driven by three physical priors of the MR images (or k-space data), including
sparsity, coil sensitivity smoothness, and phase smoothness. We also prove that
the proposed method guarantees tight bounds for interpolated k-space data
accuracy. Finally, ablation experiments show that the proposed method can more
accurately characterize the physical priors of MR images than existing
traditional methods. Additionally, under a series of commonly used sampling
trajectories, experiments also show that the proposed method consistently
outperforms traditional parallel imaging methods and existing UNNs, and even
outperforms the state-of-the-art supervised-trained k-space deep learning
methods in some cases.
- Abstract(参考訳): 近年,Untrained Neural Network (UNN) は,追加のフルサンプリングトレーニングデータを用いることなく,ランダムサンプリング軌道上でのMR画像再構成に十分な性能を示した。
しかし、既存のunnベースのアプローチでは、mr画像の物理前処理を完全には使用せず、いくつかの一般的なシナリオ(部分フーリエや正規サンプリングなど)では性能が低下し、再構成精度に関する理論的保証が欠如している。
このギャップを埋めるために、MR画像の3つの物理的先行(またはk空間データ)によって駆動される3重アーキテクチャを持つ特別設計のUNNを用いて、MRIの保護されたk空間補間法を提案する。
また,提案手法は補間したk空間データ精度の厳密な境界を保証する。
最後に, アブレーション実験により, 従来の手法よりもmr画像の物理前処理をより正確に特徴付けることができることを示した。
さらに, 実験により, 提案手法は従来の並列画像法や既存のUNNよりも一貫して優れており, 最先端の教師付きk空間深層学習法よりも優れていたことも確認された。
関連論文リスト
- Modality-Agnostic Variational Compression of Implicit Neural
Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。
潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。
このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文 参考訳(メタデータ) (2023-01-23T15:22:42Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳(メタデータ) (2022-10-25T08:34:29Z) - A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation [9.388253054229155]
暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。
提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。
良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
論文 参考訳(メタデータ) (2022-10-19T10:16:03Z) - Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文 参考訳(メタデータ) (2022-04-05T20:28:42Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - PARCEL: Physics-based unsupervised contrastive representation learning
for parallel MR imaging [9.16860702327751]
本稿では,並列MR画像の高速化を目的とした物理に基づく非教師付きコントラスト表現学習(PARCEL)法を提案する。
具体的には、PARCELは、アンダーサンプリングされたk空間データから直接の深層学習を実現するために、3つの重要な要素を持っている。
MR画像の固有の特徴や表現を捉えるために、2つのネットワークをガイドするために、特別に設計されたコトレーニング損失が設計されている。
論文 参考訳(メタデータ) (2022-02-03T10:09:19Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - Semi-supervised deep learning for high-dimensional uncertainty
quantification [6.910275451003041]
本稿では,次元削減と信頼性解析のための半教師付き学習フレームワークを提案する。
オートエンコーダは、まず高次元空間を低次元潜在空間にマッピングするために用いられる。
ディープフィードフォワードニューラルネットワークを用いてマッピング関係を学習し、潜伏空間を再構築する。
論文 参考訳(メタデータ) (2020-06-01T15:15:42Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳(メタデータ) (2020-04-15T15:46:09Z)
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。