論文の概要: Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance

• arxiv url: http://arxiv.org/abs/2210.14586v2
• Date: Fri, 16 Jun 2023 12:10:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 18:13:23.380275
• Title: Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance
• Title（参考訳）: 構造的画像共分散を用いたVAEによる圧縮センシングMRI再構成
• Authors: Margaret Duff, Ivor J. A. Simpson, Matthias J. Ehrhardt, Neill D. F. Campbell
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.544757765701024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: This paper investigates how generative models, trained on ground-truth images, can be used \changes{as} priors for inverse problems, penalizing reconstructions far from images the generator can produce. The aim is that learned regularization will provide complex data-driven priors to inverse problems while still retaining the control and insight of a variational regularization method. Moreover, unsupervised learning, without paired training data, allows the learned regularizer to remain flexible to changes in the forward problem such as noise level, sampling pattern or coil sensitivities in MRI. Approach: We utilize variational autoencoders (VAEs) that generate not only an image but also a covariance uncertainty matrix for each image. The covariance can model changing uncertainty dependencies caused by structure in the image, such as edges or objects, and provides a new distance metric from the manifold of learned images. Main results: We evaluate these novel generative regularizers on retrospectively sub-sampled real-valued MRI measurements from the fastMRI dataset. We compare our proposed learned regularization against other unlearned regularization approaches and unsupervised and supervised deep learning methods. Significance: Our results show that the proposed method is competitive with other state-of-the-art methods and behaves consistently with changing sampling patterns and noise levels.
• Abstract（参考訳）: 目的: 本論文では, 実地画像から学習した生成モデルを用いて, 逆問題に対して \changes{as} を前処理として使用し, 生成者が生成できる画像から遠く離れた再構成をペナルティ化する方法について検討する。 学習された正規化は、変分正規化法の制御と洞察を維持しつつ、逆問題に対する複雑なデータ駆動の事前情報を提供する。 さらに、教師なし学習では、ペアのトレーニングデータなしで、学習された正規化器は、MRIのノイズレベル、サンプリングパターン、コイル感度などの前方問題に柔軟に適応することができる。 アプローチ: 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。 共分散は、エッジやオブジェクトなどの画像の構造によって生じる不確実性依存をモデル化し、学習された画像の多様体からの新しい距離メトリックを提供する。 主な結果: この新たな生成正則化器を, 高速MRIデータセットを用いて, 遡及的にサブサンプリングした実数値MRIで評価した。 提案する学習正規化と他の未学習正規化アプローチと教師なし・教師なしのディープラーニング手法を比較した。 意義: 提案手法は他の最先端手法と競合し, サンプリングパターンやノイズレベルの変化と一貫した動作を示す。

関連論文リスト

• RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint Detection and Invariant Description for Endoscopy [83.4885991036141]
  RIDEは回転同変検出と不変記述のための学習に基づく手法である。 内視鏡画像の大規模なキュレーションを自己指導的に行う。 マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2023-09-18T08:16:30Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)
• Validation and Generalizability of Self-Supervised Image Reconstruction Methods for Undersampled MRI [4.832984894979636]
  自己教師型認知とニューラルネットワーク画像を用いた2つの自己教師型アルゴリズムについて検討した。 それらの一般化性は、トレーニングとは異なる実験条件から、前向きにアンダーサンプリングされたデータでテストされた。
  論文  参考訳（メタデータ） (2022-01-29T09:06:04Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• 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)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)

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。