論文の概要: Subject-specific quantitative susceptibility mapping using patch based
deep image priors
- arxiv url: http://arxiv.org/abs/2210.06471v1
- Date: Mon, 10 Oct 2022 02:28:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 15:14:29.975808
- Title: Subject-specific quantitative susceptibility mapping using patch based
deep image priors
- Title(参考訳): パッチベース深部画像を用いた被写体特異的定量感受性マッピング
- Authors: Arvind Balachandrasekaran, Davood Karimi, Camilo Jaimes and Ali
Gholipour
- Abstract要約: そこで本研究では,被検者固有のパッチベースの教師なし学習アルゴリズムを提案し,その感受性マップを推定する。
我々は、深層畳み込みニューラルネットワークを用いて、地図のパッチにまたがる冗長性を利用して、問題をうまく解決する。
このアルゴリズムを3次元インビジョデータセットで検証し、競合する手法よりも改良された再構成を実証した。
- 参考スコア(独自算出の注目度): 13.734472448148333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative Susceptibility Mapping is a parametric imaging technique to
estimate the magnetic susceptibilities of biological tissues from MRI phase
measurements. This problem of estimating the susceptibility map is ill posed.
Regularized recovery approaches exploiting signal properties such as smoothness
and sparsity improve reconstructions, but suffer from over-smoothing artifacts.
Deep learning approaches have shown great potential and generate maps with
reduced artifacts. However, for reasonable reconstructions and network
generalization, they require numerous training datasets resulting in increased
data acquisition time. To overcome this issue, we proposed a subject-specific,
patch-based, unsupervised learning algorithm to estimate the susceptibility
map. We make the problem well-posed by exploiting the redundancies across the
patches of the map using a deep convolutional neural network. We formulated the
recovery of the susceptibility map as a regularized optimization problem and
adopted an alternating minimization strategy to solve it. We tested the
algorithm on a 3D invivo dataset and, qualitatively and quantitatively,
demonstrated improved reconstructions over competing methods.
- Abstract(参考訳): 定量的感受性マッピングは、MRI位相測定から生体組織の磁気感受性を推定するためのパラメトリックイメージング技術である。
感受性マップを推定するこの問題は不適切である。
正規化リカバリアプローチは、滑らかさやスパーシティといった信号特性を活用し、再構築を改善するが、過剰なスムースアーティファクトに苦しむ。
ディープラーニングアプローチは大きな可能性を示し、アーチファクトを減らしたマップを生成する。
しかし、合理的な再構築とネットワークの一般化のためには、多くのトレーニングデータセットが必要である。
この問題を解決するために,本研究では,被検者固有のパッチベースの教師なし学習アルゴリズムを提案する。
我々は,深層畳み込みニューラルネットワークを用いて,地図のパッチにまたがる冗長性を活用し,この問題をうまく解決する。
正則化最適化問題としてサセプティビリティマップの復元を定式化し,それを解決するための交互最小化戦略を採用した。
このアルゴリズムを3d invivoデータセット上でテストし,質的かつ定量的に,競合する手法に対する再構成の改善を実証した。
関連論文リスト
- Unsupervised Adaptive Implicit Neural Representation Learning for
Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。
我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。
提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文 参考訳(メタデータ) (2023-12-01T16:00:16Z) - AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。
これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
論文 参考訳(メタデータ) (2023-10-15T05:15:45Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳(メタデータ) (2023-06-19T15:37:53Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。
ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。
本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
論文 参考訳(メタデータ) (2020-08-04T21:35:32Z) - Joint reconstruction and bias field correction for undersampled MR
imaging [7.409376558513677]
k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。
ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。
本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
論文 参考訳(メタデータ) (2020-07-26T12:58:34Z)
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。