論文の概要: Dual-Domain Cross-Iteration Squeeze-Excitation Network for Sparse
Reconstruction of Brain MRI
- arxiv url: http://arxiv.org/abs/2210.02523v1
- Date: Wed, 5 Oct 2022 19:44:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 15:35:33.236670
- Title: Dual-Domain Cross-Iteration Squeeze-Excitation Network for Sparse
Reconstruction of Brain MRI
- Title（参考訳）: 脳MRIのスパース再構成のためのデュアルドメインクロスイテレーションスクイーズ励磁ネットワーク
- Authors: Xiongchao Chen, Yoshihisa Shinagawa, Zhigang Peng, Gerardo Hermosillo
Valadez
- Abstract要約: 磁気共鳴イメージング(MRI)は神経学や神経外科において最もよく用いられる検査の1つである。
深層学習はMRIの再構築に新たな洞察をもたらした。
本稿では,新しい2つのSqueeze-Excitation NetworkとCrossIteration Residual Connectionsを用いて,k空間とMRI画像の情報を融合する手法を提案する。
- 参考スコア（独自算出の注目度）: 1.0323063834827415
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Magnetic resonance imaging (MRI) is one of the most commonly applied tests in
neurology and neurosurgery. However, the utility of MRI is largely limited by
its long acquisition time, which might induce many problems including patient
discomfort and motion artifacts. Acquiring fewer k-space sampling is a
potential solution to reducing the total scanning time. However, it can lead to
severe aliasing reconstruction artifacts and thus affect the clinical
diagnosis. Nowadays, deep learning has provided new insights into the sparse
reconstruction of MRI. In this paper, we present a new approach to this problem
that iteratively fuses the information of k-space and MRI images using novel
dual Squeeze-Excitation Networks and Cross-Iteration Residual Connections. This
study included 720 clinical multi-coil brain MRI cases adopted from the
open-source deidentified fastMRI Dataset. 8-folder downsampling rate was
applied to generate the sparse k-space. Results showed that the average
reconstruction error over 120 testing cases by our proposed method was 2.28%,
which outperformed the existing image-domain prediction (6.03%, p<0.001),
k-space synthesis (6.12%, p<0.001), and dual-domain feature fusion (4.05%,
p<0.001).
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は神経学や神経外科において最もよく用いられる検査の1つである。
しかし、MRIの効用は長い取得時間によって大きく制限されており、患者の不快感やモーションアーティファクトなど多くの問題を引き起こす可能性がある。
k空間サンプリングの削減は、全走査時間を短縮する潜在的な解決策である。
しかし, 難治性再建遺物が再発し, 臨床診断に影響を及ぼす可能性がある。
現在、ディープラーニングはMRIのスパース再構成に関する新たな洞察を与えている。
本稿では,新しい2つのSqueeze-Excitation Networks と Inter-Iteration Residual Connections を用いて,k-space と MRI の情報を反復的に融合する手法を提案する。
本研究は,オープンソースで同定された高速MRIデータセットを用いた臨床多コイル脳MRI症例720例を含む。
8-folderdownsamplingレートを適用してsparse k-spaceを生成した。
その結果, 提案手法による120例の平均復元誤差は2.28%であり, 既存の画像領域予測 (6.03%, p<0.001), k空間合成 (6.12%, p<0.001) および二重領域特徴融合 (4.05%, p<0.001) を上回った。
関連論文リスト
- 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) - Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。
提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。
19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
論文 参考訳（メタデータ） (2024-09-05T19:52:09Z) - 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) - 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) - DD-CISENet: Dual-Domain Cross-Iteration Squeeze and Excitation Network
for Accelerated MRI Reconstruction [1.0312968200748118]
高速MRI再建のための新しいDualDomain Cross-It Squeeze Excitation Network(DDCISENet)を提案する。
kspaceとMRI画像の情報は、CIR(Cross-Iteration Residual Connect)構造を用いて反復的に融合し、維持することができる。
論文 参考訳（メタデータ） (2023-04-28T20:44:48Z) - A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation [9.388253054229155]
暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。
提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。
良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
論文 参考訳（メタデータ） (2022-10-19T10:16:03Z) - 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) - 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) - 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) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z) - 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。