論文の概要: Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction
- arxiv url: http://arxiv.org/abs/2209.07030v1
- Date: Thu, 15 Sep 2022 03:58:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 13:21:33.486106
- Title: Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction
- Title(参考訳): MRI超解像再構成のためのモデル誘導マルチコントラスト深部展開ネットワーク
- Authors: Gang Yang, Li Zhang, Man Zhou, Aiping Liu, Xun Chen, Zhiwei Xiong,
Feng Wu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 68.80715727288514
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) with high resolution (HR) provides more
detailed information for accurate diagnosis and quantitative image analysis.
Despite the significant advances, most existing super-resolution (SR)
reconstruction network for medical images has two flaws: 1) All of them are
designed in a black-box principle, thus lacking sufficient interpretability and
further limiting their practical applications. Interpretable neural network
models are of significant interest since they enhance the trustworthiness
required in clinical practice when dealing with medical images. 2) most
existing SR reconstruction approaches only use a single contrast or use a
simple multi-contrast fusion mechanism, neglecting the complex relationships
between different contrasts that are critical for SR improvement. To deal with
these issues, in this paper, a novel Model-Guided interpretable Deep Unfolding
Network (MGDUN) for medical image SR reconstruction is proposed. The
Model-Guided image SR reconstruction approach solves manually designed
objective functions to reconstruct HR MRI. We show how to unfold an iterative
MGDUN algorithm into a novel model-guided deep unfolding network by taking the
MRI observation matrix and explicit multi-contrast relationship matrix into
account during the end-to-end optimization. Extensive experiments on the
multi-contrast IXI dataset and BraTs 2019 dataset demonstrate the superiority
of our proposed model.
- Abstract(参考訳): 高分解能(HR)のMRIは、正確な診断と定量的画像解析のためのより詳細な情報を提供する。
大幅な進歩にもかかわらず、既存の医療画像の超解像再構成ネットワークには2つの欠点がある。
1)これらはすべてブラックボックスの原理で設計されており、十分な解釈性がなく、実用的な用途を制限している。
解釈可能なニューラルネットワークモデルは、医療画像を扱う際に臨床実践に必要な信頼性を高めるため、重要な関心事である。
2) 既存のsr再構成法は, 単一のコントラストのみを用いるか, 単純なマルチコントラスト融合機構を用い, sr改善に不可欠な異なるコントラスト間の複雑な関係を無視する。
これらの問題に対処するために,医療画像SR再構成のための新しいモデル誘導解釈型Deep Unfolding Network(MGDUN)を提案する。
モデルガイド画像sr再構成手法は,hr mriを手作業で再構成する目的関数を解決している。
終末最適化において、MRI観察行列と明示的マルチコントラスト関係行列を考慮に入れ、反復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どのように展開するかを示す。
マルチコントラストIXIデータセットとBraTs 2019データセットに関する大規模な実験は、提案モデルの優位性を実証している。
関連論文リスト
- MindFormer: A Transformer Architecture for Multi-Subject Brain Decoding via fMRI [50.55024115943266]
我々は、fMRI条件の特徴ベクトルを生成するためにMindFormerと呼ばれる新しいトランスフォーマーアーキテクチャを導入する。
MindFormerは,1)fMRI信号から意味論的に意味のある特徴を抽出するIP-Adapterに基づく新しいトレーニング戦略,2)fMRI信号の個人差を効果的に捉える主観的トークンと線形層である。
論文 参考訳(メタデータ) (2024-05-28T00:36:25Z) - 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) - Deep Unfolding Convolutional Dictionary Model for Multi-Contrast MRI
Super-resolution and Reconstruction [23.779641808300596]
最適化アルゴリズムの指導の下で,マルチコントラスト畳み込み辞書(MC-CDic)モデルを提案する。
近似勾配アルゴリズムを用いてモデルを最適化し、反復的なステップを深部CDicモデルに展開する。
実験により,既存のSOTA法に対して提案したMC-CDicモデルの方が優れた性能を示した。
論文 参考訳(メタデータ) (2023-09-03T13:18:59Z) - Dual Arbitrary Scale Super-Resolution for Multi-Contrast MRI [23.50915512118989]
マルチコントラスト超解像 (SR) 再構成により, SR画像の高画質化が期待できる。
放射線技師は、固定スケールではなく任意のスケールでMR画像を拡大することに慣れている。
本稿では,Dual-ArbNetと呼ばれる,暗黙的ニューラル表現に基づくマルチコントラストMRI超解像法を提案する。
論文 参考訳(メタデータ) (2023-07-05T14:43:26Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳(メタデータ) (2022-03-26T01:42:59Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳(メタデータ) (2021-08-12T08:46:35Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳(メタデータ) (2021-03-13T09:58:32Z)
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。