論文の概要: Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with GRAPPA Integrated Multi-loss Supervised GAN

• arxiv url: http://arxiv.org/abs/2209.08807v1
• Date: Mon, 19 Sep 2022 07:26:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 19:39:12.597719
• Title: Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with GRAPPA Integrated Multi-loss Supervised GAN
• Title（参考訳）: GRAPPA統合マルチロス監視GANを用いたハイブリッド並列イメージングと圧縮センシングMRI再構成
• Authors: Farhan Sadik and Md. Kamrul Hasan
• Abstract要約: 本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。 提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
• 参考スコア（独自算出の注目度）: 2.7110495144693374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Parallel imaging accelerates the acquisition of magnetic resonance imaging (MRI) data by acquiring additional sensitivity information with an array of receiver coils resulting in reduced phase encoding steps. Compressed sensing magnetic resonance imaging (CS-MRI) has achieved popularity in the field of medical imaging because of its less data requirement than parallel imaging. Parallel imaging and compressed sensing (CS) both speed up traditional MRI acquisition by minimizing the amount of data captured in the k-space. As acquisition time is inversely proportional to the number of samples, the inverse formation of an image from reduced k-space samples leads to faster acquisition but with aliasing artifacts. This paper proposes a novel Generative Adversarial Network (GAN) namely RECGAN-GR supervised with multi-modal losses for de-aliasing the reconstructed image. Methods: In contrast to existing GAN networks, our proposed method introduces a novel generator network namely RemU-Net integrated with dual-domain loss functions including weighted magnitude and phase loss functions along with parallel imaging-based loss i.e., GRAPPA consistency loss. A k-space correction block is proposed as refinement learning to make the GAN network self-resistant to generating unnecessary data which drives the convergence of the reconstruction process faster. Results: Comprehensive results show that the proposed RECGAN-GR achieves a 4 dB improvement in the PSNR among the GAN-based methods and a 2 dB improvement among conventional state-of-the-art CNN methods available in the literature. Conclusion and significance: The proposed work contributes to significant improvement in the image quality for low retained data leading to 5x or 10x faster acquisition.
• Abstract（参考訳）: 目的: 並列イメージングは、位相符号化ステップの短縮をもたらす受信コイルの配列で追加の感度情報を取得することにより、磁気共鳴イメージング(MRI)データの取得を加速する。 圧縮型磁気共鳴イメージング(CS-MRI)は、並列イメージングよりもデータ要求が少ないため、医療画像の分野で人気がある。 並列イメージングと圧縮センシング(CS)はどちらも、k空間で取得したデータの量を最小限にすることで、従来のMRI取得を高速化する。 取得時間はサンプル数に比例するため、縮小k空間サンプルからの画像の逆生成は、より高速な取得につながるが、アーティファクトをエイリアスする。 本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。 方法:既存のganネットワークとは対照的に,提案手法では,重み付きマグニチュードと位相損失関数を含むデュアルドメイン損失関数と並列イメージングに基づく損失,すなわちgrappa一貫性損失を組み合わせたremu-netという新しいジェネレータネットワークを導入する。 改良学習としてk空間補正ブロックを提案し,ganネットワークを不必要なデータ生成に自己耐性を持たせ,復元プロセスの収束を高速化する。 結果: 提案したRECGAN-GRは, GAN法ではPSNRが4dB改善し, 従来のCNN法では2dB改善された。 結論と意義: 提案した研究は, 5倍あるいは10倍の高速な取得につながる低保持データの画質向上に寄与する。

関連論文リスト

• 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)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• 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)
• Edge-Enhanced Dual Discriminator Generative Adversarial Network for Fast MRI with Parallel Imaging Using Multi-view Information [10.616409735438756]
  高速なマルチチャンネルMRI再構成のための並列画像結合型二重判別器生成対向ネットワーク(PIDD-GAN)を提案する。 1つの判別器は全体像再構成に使用され、もう1つはエッジ情報の強化に責任がある。 以上の結果から,PIDD-GANは良質なMR画像と良好な保存エッジ情報を提供することがわかった。
  論文  参考訳（メタデータ） (2021-12-10T10:49:26Z)
• 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)
• Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance Imaging -- Mini Review, Comparison and Perspectives [5.3148259096171175]
  MRIの欠点の1つは、他の画像モダリティに比べて比較的遅いスキャンと再構成である。 ディープニューラルネットワーク(DNN)は、比較的高品質な画像を再現するスパースMRI再構成モデルに使われてきた。 画像の知覚品質を向上した高速MRIを実現するために,GAN(Generative Adversarial Networks)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T23:59:00Z)
• 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)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• 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。