論文の概要: Learning-based and unrolled motion-compensated reconstruction for
cardiac MR CINE imaging
- arxiv url: http://arxiv.org/abs/2209.03671v1
- Date: Thu, 8 Sep 2022 09:34:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 12:57:00.218717
- Title: Learning-based and unrolled motion-compensated reconstruction for
cardiac MR CINE imaging
- Title(参考訳): 心MR-CINE画像の学習による運動補償再建
- Authors: Jiazhen Pan and Daniel Rueckert and Thomas K\"ustner and Kerstin
Hammernik
- Abstract要約: 運動補償MR再構成(MCMR)は、かなりの可能性を持つ強力な概念である。
心臓MRI画像における非剛性運動障害を効果的に扱うための,MCMRのための学習ベースの自己教師型フレームワークを提案する。
- 参考スコア(独自算出の注目度): 8.095696087978977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motion-compensated MR reconstruction (MCMR) is a powerful concept with
considerable potential, consisting of two coupled sub-problems: Motion
estimation, assuming a known image, and image reconstruction, assuming known
motion. In this work, we propose a learning-based self-supervised framework for
MCMR, to efficiently deal with non-rigid motion corruption in cardiac MR
imaging. Contrary to conventional MCMR methods in which the motion is estimated
prior to reconstruction and remains unchanged during the iterative optimization
process, we introduce a dynamic motion estimation process and embed it into the
unrolled optimization. We establish a cardiac motion estimation network that
leverages temporal information via a group-wise registration approach, and
carry out a joint optimization between the motion estimation and
reconstruction. Experiments on 40 acquired 2D cardiac MR CINE datasets
demonstrate that the proposed unrolled MCMR framework can reconstruct high
quality MR images at high acceleration rates where other state-of-the-art
methods fail. We also show that the joint optimization mechanism is mutually
beneficial for both sub-tasks, i.e., motion estimation and image
reconstruction, especially when the MR image is highly undersampled.
- Abstract(参考訳): 運動補償MR再構成(MCMR)は2つのサブプロブレム(運動推定、既知の画像の仮定、画像再構成、既知の動きの仮定)から構成される強力な概念である。
本研究では,心臓mri画像における非剛性運動腐敗を効率的に処理するための学習型自己監視フレームワークを提案する。
再現前の動作を推定し,反復的最適化プロセス中に変化しない従来のMCMR法とは対照的に,動的動作推定プロセスを導入し,アンロール最適化に組み込む。
本研究は, 集団登録アプローチによる時間情報を活用した心臓運動推定ネットワークを構築し, 運動推定と再構成の協調最適化を行う。
40個の2次元心臓mr cineデータセットを用いた実験により, 提案手法は高画質mr像を高加速速度で再構成できることを示した。
また,MR画像が高度にアンサンプされている場合,動作推定と画像再構成の両方に共同最適化機構が有用であることを示す。
関連論文リスト
- 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) - Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。
提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文 参考訳(メタデータ) (2023-10-10T13:46:11Z) - Fill the K-Space and Refine the Image: Prompting for Dynamic and
Multi-Contrast MRI Reconstruction [31.404228406642194]
ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。
本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。
提案手法は,従来の高速MRI再建法より有意に優れていた。
論文 参考訳(メタデータ) (2023-09-25T02:51:00Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI
Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳(メタデータ) (2023-05-04T12:20:51Z) - Optimization-Based Deep learning methods for Magnetic Resonance Imaging
Reconstruction and Synthesis [0.0]
この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。
第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。
第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。
第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
論文 参考訳(メタデータ) (2023-03-02T18:59:44Z) - Reconstruction-driven motion estimation for motion-compensated MR CINE
imaging [8.317520045034412]
運動補償MR再構成(MCMR)は,高度にアンサンプされた獲得に対処するための効果的なアプローチである。
本研究では,MCMR問題を効率的に解くためのディープラーニングベースのフレームワークを提案する。
43の社内で取得した2D CINEデータセットに対する実験により、提案したMCMRフレームワークがアーティファクトフリーなモーション推定を実現することが示唆された。
論文 参考訳(メタデータ) (2023-02-05T22:51:27Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - Data-Consistent Non-Cartesian Deep Subspace Learning for Efficient
Dynamic MR Image Reconstruction [17.713927354433398]
Data-Consistent (DC) 深層学習は画像品質のよい再構成を加速するが、非カルテシアン部分空間イメージングでは定式化されていない。
高速かつ高精度な動的MR画像再構成のための直流非直流深部部分空間学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-03T20:37:21Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳(メタデータ) (2022-03-08T02:25:38Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-01-23T21:58:19Z)
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。