Fugu-MT 論文翻訳(概要): Stable deep MRI reconstruction using Generative Priors

論文の概要: Stable deep MRI reconstruction using Generative Priors

arxiv url: http://arxiv.org/abs/2210.13834v1
Date: Tue, 25 Oct 2022 08:34:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-26 14:22:25.806784
Title: Stable deep MRI reconstruction using Generative Priors
Title（参考訳）: Generative Priors を用いた安定型深部MRI画像再構成
Authors: Martin Zach and Florian Knoll and Thomas Pock
Abstract要約: データイメージペアを必要とせずに、参照画像の教師なし設定でトレーニングされた、新しいディープニューラルネットワークベースの正規化器を提案する。本稿では、SotAのエンドツーエンドディープラーニング手法と競合する性能を示す並列磁気共鳴イメージングの手法を実証する。
参考スコア（独自算出の注目度）: 13.400444194036101
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data-driven approaches recently achieved remarkable success in medical image reconstruction, but integration into clinical routine remains challenging due to a lack of generalizability and interpretability. Existing approaches usually require high-quality data-image pairs for training, but such data is not easily available for any imaging protocol and the reconstruction quality can quickly degrade even if only minor changes are made to the protocol. In addition, data-driven methods may create artificial features that can influence the clinicians decision-making. This is unacceptable if the clinician is unaware of the uncertainty associated with the reconstruction. In this paper, we address these challenges in a unified framework based on generative image priors. We propose a novel deep neural network based regularizer which is trained in an unsupervised setting on reference images without requiring any data-image pairs. After training, the regularizer can be used as part of a classical variational approach in combination with any acquisition protocols and shows stable behavior even if the test data deviates significantly from the training data. Furthermore, our probabilistic interpretation provides a distribution of reconstructions and hence allows uncertainty quantification. We demonstrate our approach on parallel magnetic resonance imaging, where results show competitive performance with SotA end-to-end deep learning methods, while preserving the flexibility of the acquisition protocol and allowing for uncertainty quantification.
Abstract（参考訳）: データ駆動アプローチは、最近医療画像再構成において顕著な成功を収めたが、一般化可能性と解釈可能性の欠如により、臨床ルーチンへの統合は依然として困難である。既存のアプローチは通常、トレーニングのために高品質なデータイメージペアを必要とするが、そのようなデータはいかなるイメージングプロトコルでも容易に利用できず、プロトコルにわずかな変更が加えられても、復元の品質は迅速に低下する。さらに、データ駆動方式は、臨床医の意思決定に影響を与える人工的な特徴を生み出す可能性がある。臨床医が再建に伴う不確実性に気づいていない場合、これは容認できない。本稿では,これらの課題を生成的画像優先に基づく統一フレームワークで解決する。データイメージペアを必要とせずに、参照画像の教師なし設定でトレーニングされた、新しいディープニューラルネットワークベースの正規化器を提案する。トレーニング後、レギュレータは任意の取得プロトコルと組み合わせて古典的な変分アプローチの一部として使用することができ、テストデータがトレーニングデータから著しく逸脱した場合でも安定した振る舞いを示す。さらに, 確率論的解釈は再構成の分布を提供し, 不確かさの定量化を可能にする。本研究では,並列磁気共鳴イメージングのアプローチを実証し,somaのエンドツーエンド深層学習法と競合する性能を示すとともに,取得プロトコルの柔軟性を保ち,不確実性定量化を可能にする。

関連論文リスト

Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文参考訳（メタデータ） (2023-08-28T08:47:06Z)
Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance [7.544757765701024]
本稿では, 逆問題に先立って, 地動画像に基づいて学習した生成モデルをどのように利用することができるかを検討する。可変オートエンコーダ(VAE)を用いて、画像だけでなく、各画像に対する共分散不確実性行列を生成する。提案した学習規則化手法を,他の学習規則化手法や教師なし,教師なしのディープラーニング手法と比較した。
論文参考訳（メタデータ） (2022-10-26T09:51:49Z)
PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI [47.24613772568027]
圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。 2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
論文参考訳（メタデータ） (2022-04-24T04:23:57Z)
Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。観測された信号に基づいて生成過程を導出する。特定の加速因子に関する追加の訓練は必要としない。
論文参考訳（メタデータ） (2022-03-08T02:25:38Z)
Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。 FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。 FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
論文参考訳（メタデータ） (2022-02-08T22:17:57Z)
Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文参考訳（メタデータ） (2021-10-22T10:02:48Z)
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)
Using Deep Image Priors to Generate Counterfactual Explanations [38.62513524757573]
ディープ画像先行(DIP)は、潜在表現エンコーディングからプレイメージを得るために用いられる。本稿では,予測器と共同で学習した補助損失推定器に基づく新たな正規化戦略を提案する。
論文参考訳（メタデータ） (2020-10-22T20:40:44Z)
Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文参考訳（メタデータ） (2020-08-25T03:30:53Z)
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)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。