論文の概要: A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation
- arxiv url: http://arxiv.org/abs/2210.10439v1
- Date: Wed, 19 Oct 2022 10:16:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:51:50.679417
- Title: A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation
- Title(参考訳): 暗黙的神経表現による並列MRI再構成のためのスキャン特異的教師なし手法
- Authors: Ruimin Feng, Qing Wu, Yuyao Zhang and Hongjiang Wei
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.388253054229155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parallel imaging is a widely-used technique to accelerate magnetic resonance
imaging (MRI). However, current methods still perform poorly in reconstructing
artifact-free MRI images from highly undersampled k-space data. Recently,
implicit neural representation (INR) has emerged as a new deep learning
paradigm for learning the internal continuity of an object. In this study, we
adopted INR to parallel MRI reconstruction. The MRI image was modeled as a
continuous function of spatial coordinates. This function was parameterized by
a neural network and learned directly from the measured k-space itself without
additional fully sampled high-quality training data. Benefitting from the
powerful continuous representations provided by INR, the proposed method
outperforms existing methods by suppressing the aliasing artifacts and noise,
especially at higher acceleration rates and smaller sizes of the
auto-calibration signals. The high-quality results and scanning specificity
make the proposed method hold the potential for further accelerating the data
acquisition of parallel MRI.
- Abstract(参考訳): 並列イメージングは磁気共鳴イメージング(MRI)を加速する技術として広く用いられている。
しかし、現在の手法は、高度にアンサンプされたk空間データからアーティファクトのないMRI画像の再構成に依然として不十分である。
近年,物体の内部連続性を学ぶための新たな深層学習パラダイムとして暗黙的神経表現(INR)が出現している。
本研究では,MRIの並列再構成にINRを適用した。
MRI画像は空間座標の連続関数としてモデル化された。
この関数はニューラルネットワークによってパラメータ化され、測定されたk空間自体から直接学習された。
提案手法は,INRによって提供される強力な連続表現の利点を生かし,特に加速速度と自己校正信号の小型化において,アーティファクトやノイズの緩和を抑えることにより,既存の手法よりも優れる。
高品質の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促進する可能性を秘めている。
関連論文リスト
- NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。
ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。
空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
論文 参考訳(メタデータ) (2024-02-20T18:37:42Z) - 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) - 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) - Implicit Neural Representation for MRI Parallel Imaging Reconstruction [31.952891507137725]
暗黙的ニューラル表現(INR)に基づく新しいMRI再構成法を提案する。
INRは、再構成された完全サンプリング画像を、ボクセル座標とアンダーサンプル画像の以前の特徴ベクトルの関数として表現する。
具体的には、異なるアンダーサンプリングスケールのMR画像からスケール非依存のボクセル特異な特徴を生成するためのスケール埋め込みエンコーダを提案する。
論文 参考訳(メタデータ) (2023-09-12T09:07:03Z) - 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) - Spatiotemporal implicit neural representation for unsupervised dynamic
MRI reconstruction [11.661657147506519]
Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。
本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。
提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
論文 参考訳(メタデータ) (2022-12-31T05:43:21Z) - Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文 参考訳(メタデータ) (2022-04-05T20:28:42Z) - 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) - Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
論文 参考訳(メタデータ) (2021-08-17T17:45:51Z) - 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) - 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)
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。