論文の概要: One-shot Generative Prior Learned from Hankel-k-space for Parallel Imaging Reconstruction

• arxiv url: http://arxiv.org/abs/2208.07181v1
• Date: Mon, 15 Aug 2022 13:36:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 14:45:03.115705
• Title: One-shot Generative Prior Learned from Hankel-k-space for Parallel Imaging Reconstruction
• Title（参考訳）: 並列画像再構成のためのHankel-k空間からのワンショット生成
• Authors: Hong Peng, Chen Jiang, Yu Guan, Jing Cheng, Minghui Zhang, Dong Liang, Qiegen Liu
• Abstract要約: 深部生成モデルは 磁気共鳴イメージングの 積極的な加速と より良い再構成を提供する そこで本研究では,1k-spaceデータのトレーニングセットからサンプルを生成するハンケル-k-space Generative Model (HKGM)を提案する。
• 参考スコア（独自算出の注目度）: 23.760551972866672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging serves as an essential tool for clinical diagnosis. However, it suffers from a long acquisition time. The utilization of deep learning, especially the deep generative models, offers aggressive acceleration and better reconstruction in magnetic resonance imaging. Nevertheless, learning the data distribution as prior knowledge and reconstructing the image from limited data remains challenging. In this work, we propose a novel Hankel-k-space generative model (HKGM), which can generate samples from a training set of as little as one k-space data. At the prior learning stage, we first construct a large Hankel matrix from k-space data, then extract multiple structured k-space patches from the large Hankel matrix to capture the internal distribution among different patches. Extracting patches from a Hankel matrix enables the generative model to be learned from redundant and low-rank data space. At the iterative reconstruction stage, it is observed that the desired solution obeys the learned prior knowledge. The intermediate reconstruction solution is updated by taking it as the input of the generative model. The updated result is then alternatively operated by imposing low-rank penalty on its Hankel matrix and data consistency con-strain on the measurement data. Experimental results confirmed that the internal statistics of patches within a single k-space data carry enough information for learning a powerful generative model and provide state-of-the-art reconstruction.
• Abstract（参考訳）: 磁気共鳴イメージングは臨床診断に不可欠なツールである。 しかし、長期にわたる買収に悩まされている。 深層学習、特に深層生成モデルの利用は、磁気共鳴イメージングにおいて積極的な加速とより良い再構成をもたらす。 それでも、データの分布を事前の知識として学び、限られたデータからイメージを再構築することは困難である。 そこで本研究では,1k-spaceデータのトレーニングセットからサンプルを生成するハンケル-k-space Generative Model (HKGM)を提案する。 先行学習段階では,まずk空間データから大きなハンケル行列を構築し,その後,複数の構造化k空間パッチをハンケル行列から抽出して,異なるパッチ間の内部分布を捉える。 ハンケル行列からパッチを抽出することで、冗長で低ランクのデータ空間から生成モデルを学ぶことができる。 反復的再構築の段階では,希望解が学習済みの事前知識に従うことが観察される。 生成モデルの入力として、中間再構成ソリューションを更新する。 更新結果は、代わりに、ハンケル行列に低ランクペナルティを課し、測定データにデータ一貫性を拘束することで操作される。 実験により、単一のk空間データ内のパッチの内部統計は、強力な生成モデルを学ぶのに十分な情報を持ち、最先端の再構築を提供することを確認した。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
  分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。 反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。 その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
  論文  参考訳（メタデータ） (2024-05-27T13:44:53Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• Data Augmentations in Deep Weight Spaces [89.45272760013928]
  そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。 既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-11-15T10:43:13Z)
• Low-rank Tensor Assisted K-space Generative Model for Parallel Imaging Reconstruction [14.438899814473446]
  並列画像再構成のための低ランクテンソル支援k空間生成モデル(LR-KGM)を提案する。 これは、学習のための元の事前情報を高次元の事前情報に変換することを意味する。 実験により, LR-KGM法は高い性能を示した。
  論文  参考訳（メタデータ） (2022-12-11T13:34:43Z)
• Angular upsampling in diffusion MRI using contextual HemiHex sub-sampling in q-space [0.0]
  データを関連するコンテキストに組み込むことで、AIモデルが後部を推測するための最大事前情報が提供されることを保証することが重要である。 本稿では,q空間幾何のトレーニングデータサンプリングに好意的に取り組むため,HemiHexサブサンプリングを提案する。 提案手法は, 未知の q-空間を推定し, 先行研究の限界に対処する幾何的に最適化された回帰手法である。
  論文  参考訳（メタデータ） (2022-11-01T03:13:07Z)
• Compressed Predictive Information Coding [6.220929746808418]
  我々は,動的データから有用な表現を抽出する新しい情報理論フレームワーク,Compressed Predictive Information Coding (CPIC) を開発した。 我々はCPIC損失の変動境界を導出し、最大予測可能な情報を取得するために潜時空間を誘導する。 我々はCPICが低信号対雑音比で雑音力学系の潜時空間を復元できることを実証した。
  論文  参考訳（メタデータ） (2022-03-03T22:47:58Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)

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。