論文の概要: A Deep Learning Approach Using Masked Image Modeling for Reconstruction of Undersampled K-spaces

• arxiv url: http://arxiv.org/abs/2208.11472v1
• Date: Wed, 24 Aug 2022 12:27:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 13:17:42.080317
• Title: A Deep Learning Approach Using Masked Image Modeling for Reconstruction of Undersampled K-spaces
• Title（参考訳）: マスク画像モデルを用いた深層学習によるアンサンプk空間の再構成
• Authors: Kyler Larsen, Arghya Pal and Yogesh Rathi
• Abstract要約: 本研究では、FacebookのFastmriデータセットから、11161個の再構成MRIと膝関節MRI画像のk空間を利用する。 このモデルは,L1損失,勾配正規化,構造的類似性値を用いて評価した。 再構成されたk空間は、完全にサンプリングされたk空間のトレーニングと検証の両方において、99%以上の構造的類似性値を得た。
• 参考スコア（独自算出の注目度）: 7.227671880690971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) scans are time consuming and precarious, since the patients remain still in a confined space for extended periods of time. To reduce scanning time, some experts have experimented with undersampled k spaces, trying to use deep learning to predict the fully sampled result. These studies report that as many as 20 to 30 minutes could be saved off a scan that takes an hour or more. However, none of these studies have explored the possibility of using masked image modeling (MIM) to predict the missing parts of MRI k spaces. This study makes use of 11161 reconstructed MRI and k spaces of knee MRI images from Facebook's fastmri dataset. This tests a modified version of an existing model using baseline shifted window (Swin) and vision transformer architectures that makes use of MIM on undersampled k spaces to predict the full k space and consequently the full MRI image. Modifications were made using pytorch and numpy libraries, and were published to a github repository. After the model reconstructed the k space images, the basic Fourier transform was applied to determine the actual MRI image. Once the model reached a steady state, experimentation with hyperparameters helped to achieve pinpoint accuracy for the reconstructed images. The model was evaluated through L1 loss, gradient normalization, and structural similarity values. The model produced reconstructed images with L1 loss values averaging to <0.01 and gradient normalization values <0.1 after training finished. The reconstructed k spaces yielded structural similarity values of over 99% for both training and validation with the fully sampled k spaces, while validation loss continually decreased under 0.01. These data strongly support the idea that the algorithm works for MRI reconstruction, as they indicate the model's reconstructed image aligns extremely well with the original, fully sampled k space.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)スキャンは、長期にわたり患者が限られた空間に留まっているため、時間がかかり、不安定である。 スキャン時間を短縮するため、一部の専門家はサンプルの少ないk空間を実験し、ディープラーニングを使って完全なサンプル結果を予測する。 これらの研究は、1時間以上かかるスキャンから最大20分から30分を節約できると報告しています。 しかしながら、これらの研究は、mri k空間の欠落部分を予測するためにマスク画像モデリング(mim)を使用する可能性を探求していない。 本研究では、FacebookのFastmriデータセットから、11161個の再構成MRIと膝関節MRI画像のk空間を利用する。 このテストでは、ベースラインシフトウィンドウ(swin)と視覚トランスフォーマーアーキテクチャを使用して既存のモデルの修正版をテストする。 変更はpytorchとnumpyライブラリを使用して行われ、githubリポジトリに公開された。 モデルがk空間像を再構成した後、基本フーリエ変換を適用して実際のMRI画像を決定する。 モデルが定常状態に達すると、ハイパーパラメータの実験は再構成された画像のピンポイント精度を達成するのに役立った。 このモデルは,L1損失,勾配正規化,構造類似性値を用いて評価した。 モデルでは,L1損失値が0.01に,勾配正規化値が0.1に向上した。 再構成されたk空間は、完全サンプルk空間でのトレーニングと検証の両方において99%以上の構造的類似性値を得た。 これらのデータは、モデルが再構成された画像が元の完全にサンプリングされたk空間と非常によく一致していることを示すため、アルゴリズムがMRI再構成に有効であるという考えを強く支持する。

関連論文リスト

• Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
  高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。 既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。 画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T04:54:04Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Autoregressive Image Diffusion: Generation of Image Sequence and Application in MRI [2.0318411357438086]
  生成モデルは画像分布を学習し、アンサンプされたk空間データから高品質な画像の再構成に使用できる。 画像系列に対する自己回帰画像拡散(AID)モデルを提案し,それを後部MRI再構成のサンプリングに用いた。 その結果,AIDモデルは逐次コヒーレントな画像列を確実に生成できることがわかった。
  論文  参考訳（メタデータ） (2024-05-23T08:57:10Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• IMJENSE: Scan-specific Implicit Representation for Joint Coil Sensitivity and Image Estimation in Parallel MRI [11.159664312706704]
  IMJENSEは、並列MRI再構成を改善するためのスキャン特異的暗黙の神経表現に基づく方法である。 IMJENSEは、MRI画像とコイル感度の強力な連続表現と共同推定により、従来の画像やk空間領域再構成アルゴリズムよりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-11-21T07:24:11Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。