Fugu-MT 論文翻訳(概要): A Faithful Deep Sensitivity Estimation for Accelerated Magnetic Resonance Imaging

論文の概要: A Faithful Deep Sensitivity Estimation for Accelerated Magnetic Resonance Imaging

arxiv url: http://arxiv.org/abs/2210.12723v1
Date: Sun, 23 Oct 2022 13:10:12 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 15:15:34.767513
Title: A Faithful Deep Sensitivity Estimation for Accelerated Magnetic Resonance Imaging
Title（参考訳）: 加速度磁気共鳴イメージングのための忠実深部感度推定法
Authors: Zi Wang, Haoming Fang, Chen Qian, Boxuan Shi, Lijun Bao, Liuhong Zhu, Jianjun Zhou, Wenping Wei, Jianzhong Lin, Di Guo, Xiaobo Qu
Abstract要約: 本稿では,JDSIと呼ばれる統合深度感性推定と画像再構成ネットワークを提案する。画像アーティファクトの除去の間に、より忠実な感度マップが徐々に提供され、画像再構成が大幅に改善される。生体内データセットとラジオロジカル・リーダーによる研究の結果、提案したJDSIは、最先端の性能を視覚的に定量的に達成することを示した。
参考スコア（独自算出の注目度）: 32.530709373859544
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent deep learning is superior in providing high-quality images and ultra-fast reconstructions in accelerated magnetic resonance imaging (MRI). Faithful coil sensitivity estimation is vital for MRI reconstruction. However, most deep learning methods still rely on pre-estimated sensitivity maps and ignore their inaccuracy, resulting in the significant quality degradation of reconstructed images. In this work, we propose a Joint Deep Sensitivity estimation and Image reconstruction network, called JDSI. During the image artifacts removal, it gradually provides more faithful sensitivity maps, leading to greatly improved image reconstructions. To understand the behavior of the network, the mutual promotion of sensitivity estimation and image reconstruction is revealed through the visualization of network intermediate results. Results on in vivo datasets and radiologist reader study demonstrate that, the proposed JDSI achieves the state-of-the-art performance visually and quantitatively, especially when the accelerated factor is high. Additionally, JDSI owns nice robustness to abnormal subjects and different number of autocalibration signals.
Abstract（参考訳）: 近年の深層学習は、高画質の画像提供や、加速磁気共鳴画像(MRI)の超高速再構成に優れている。 MRI再建にはコイル感度推定が不可欠である。しかし、多くの深層学習手法は、まだ事前推定された感度マップに依存しており、それらの不正確さを無視しているため、再構成画像の大幅な品質劣化が生じる。本研究では,JDSIと呼ばれる統合深度感性推定と画像再構成ネットワークを提案する。画像アーティファクトの除去の間、徐々により忠実な感度マップを提供し、画像再構成を大幅に改善する。ネットワークの動作を理解するため、ネットワーク中間結果の可視化により、感度推定と画像再構成の相互促進を明らかにする。生体内データセットとラジオロジカル・リーダーによる研究の結果、特に加速因子が高い場合、JDSIは最先端の性能を視覚的に定量的に達成することを示した。さらに、JDSIは異常な被験者と異なる数の自己校正信号に対して優れた堅牢性を持っている。

関連論文リスト

Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。 CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
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)
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)
K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文参考訳（メタデータ） (2023-07-10T01:26:48Z)
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)
Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文参考訳（メタデータ） (2023-06-21T16:19:07Z)
CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文参考訳（メタデータ） (2023-06-01T10:29:58Z)
Invertible Sharpening Network for MRI Reconstruction Enhancement [17.812760964428165]
InvSharpNet(InvSharpNet)は,MRI再建の視覚的品質を改善するために提案される。入力データを地上の真実にマッピングする従来の方法とは異なり、InvSharpNetは、ぼやけた変換を学ぶための後方トレーニング戦略を適用している。さまざまなMRIデータセットの実験では、InvSharpNetはアーティファクトの少ない再構築シャープネスを改善することができる。
論文参考訳（メタデータ） (2022-06-06T18:21:48Z)
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)
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。