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
- Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。
圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
論文 参考訳(メタデータ) (2024-09-19T17:56:16Z) - Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction [3.9681863841849623]
我々はMR画像とエッジの両方に固有の個別正規化器を組み込むだけでなく、協調正規化器を強制してそれらの相関を効果的に確立するジョイントエッジ最適化モデルを構築した。
具体的には、エッジ情報を非エッジ確率マップで定義し、最適化プロセス中に画像再構成を誘導する。
一方、画像やエッジに関連するレギュレータは、それぞれ固有のアプリオリ情報を自動的に学習するために、深く展開するネットワークに組み込まれる。
論文 参考訳(メタデータ) (2024-05-09T05:51:33Z) - Self-Supervised k-Space Regularization for Motion-Resolved Abdominal MRI Using Neural Implicit k-Space Representation [3.829690053412406]
並列イメージングによる自己整合性(PISCO)の概念を紹介する。
我々は、一貫した近傍関係を強制する自己教師付きk空間正規化を取り入れた。
追加のデータコストがなければ、提案された正規化はシミュレーションデータの暗黙的k空間再構成を大幅に改善する。
論文 参考訳(メタデータ) (2024-04-12T09:31:11Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳(メタデータ) (2023-11-30T18:59:44Z) - 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) - 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) - 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)
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。