論文の概要: Physics-informed deep diffusion MRI reconstruction: break the bottleneck
of training data in artificial intelligence
- arxiv url: http://arxiv.org/abs/2210.11388v1
- Date: Thu, 20 Oct 2022 16:27:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 15:54:16.402751
- Title: Physics-informed deep diffusion MRI reconstruction: break the bottleneck
of training data in artificial intelligence
- Title（参考訳）: 物理インフォームドディープ拡散MRI再構成:人工知能のトレーニングデータのボトルネックを破る
- Authors: Chen Qian, Zi Wang, Xinlin Zhang, Qingrui Cai, Taishan Kang, Boyu
Jiang, Ran Tao, Zhigang Wu, Di Guo, and Xiaobo Qu
- Abstract要約: PIDDには、マルチショットDWIデータ合成とディープラーニング再構成ネットワークの2つの主要コンポーネントが含まれている。
人工脳データと生体内脳データの両方で、合成データに基づいてトレーニングされた提案PIDDは、異なるb値とアンダーサンプリングパターンで、サブ秒間超高速、高品質、堅牢な再構成を可能にする。
- 参考スコア（独自算出の注目度）: 34.734946404799615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a Physics-Informed Deep Diffusion magnetic resonance
imaging (DWI) reconstruction method (PIDD). PIDD contains two main components:
The multi-shot DWI data synthesis and a deep learning reconstruction network.
For data synthesis, we first mathematically analyze the motion during the
multi-shot data acquisition and approach it by a simplified physical motion
model. The motion model inspires a polynomial model for motion-induced phase
synthesis. Then, lots of synthetic phases are combined with a few real data to
generate a large amount of training data. For reconstruction network, we
exploit the smoothness property of each shot image phase as learnable
convolution kernels in the k-space and complementary sparsity in the image
domain. Results on both synthetic and in vivo brain data show that, the
proposed PIDD trained on synthetic data enables sub-second ultra-fast,
high-quality, and robust reconstruction with different b-values and
undersampling patterns.
- Abstract（参考訳）: 本研究では,物理インフォームドディープ拡散磁気共鳴画像(DWI)再構成法を提案する。
PIDDには、マルチショットDWIデータ合成とディープラーニング再構成ネットワークの2つの主要コンポーネントが含まれている。
データ合成のために,まずマルチショットデータ取得時の動作を数学的に解析し,簡易な物理運動モデルを用いてアプローチする。
運動モデルは、運動誘起位相合成の多項式モデルに刺激を与える。
そして、多くの合成フェーズといくつかの実データを組み合わせて、大量のトレーニングデータを生成する。
再構成ネットワークでは,k空間における学習可能な畳み込み核として各ショット画像位相の滑らかさ特性と,画像領域における相補的スパース性を利用する。
人工脳データと生体内脳データの両方で、合成データに基づいてトレーニングされた提案PIDDは、異なるb値とアンダーサンプリングパターンで、サブ秒間超高速、高品質、堅牢な再構成を可能にする。
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) - HAITCH: A Framework for Distortion and Motion Correction in Fetal Multi-Shell Diffusion-Weighted MRI [5.393543723150301]
この研究は、マルチシェル高角解像度胎児dMRIデータの修正と再構成を行う最初の、かつ唯一公開されたツールであるHAITCHを提示する。
HaITCHは、動的歪み補正のためのblip-reversed dual-echo取得を含む、いくつかの技術的進歩を提供している。
HaITCHはアーティファクトの除去に成功し、高度な拡散モデリングに適した高忠実度胎児dMRIデータを再構成する。
論文 参考訳（メタデータ） (2024-06-28T16:40:57Z) - 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) - One for Multiple: Physics-informed Synthetic Data Boosts Generalizable
Deep Learning for Fast MRI Reconstruction [20.84830225817378]
Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。
本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。
PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
論文 参考訳（メタデータ） (2023-07-25T03:11:24Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。
RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。
提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文 参考訳（メタデータ） (2021-11-18T11:44:04Z) - Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised
Deep Learning [0.487576911714538]
自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。
その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。
後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
論文 参考訳（メタデータ） (2021-05-10T17:36:27Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - 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)
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。