論文の概要: LARO: Learned Acquisition and Reconstruction Optimization to accelerate Quantitative Susceptibility Mapping

• arxiv url: http://arxiv.org/abs/2211.00725v1
• Date: Tue, 1 Nov 2022 20:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:04:10.382573
• Title: LARO: Learned Acquisition and Reconstruction Optimization to accelerate Quantitative Susceptibility Mapping
• Title（参考訳）: LARO:定量的サセプティビリティマッピングを高速化する学習的獲得と再構築最適化
• Authors: Jinwei Zhang, Pascal Spincemaille, Hang Zhang, Thanh D. Nguyen, Chao Li, Jiahao Li, Ilhami Kovanlikaya, Mert R. Sabuncu, Yi Wang
• Abstract要約: Learned Acquisition and Reconstruction Optimization (LARO) は、定量的感受性マッピング(QSM)のためのマルチエコー勾配エコー(mGRE)パルスシーケンスを高速化することを目的としている。 提案手法では, 深部再構成ネットワークを用いて, モンテカルロマルチエコk空間サンプリングパターンを最適化する。 本研究は,最適化されたサンプリングパターンと提案した再構成戦略の両方が,マルチエコ画像再構成の品質向上に有効であることを示す。
• 参考スコア（独自算出の注目度）: 24.665782241561185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantitative susceptibility mapping (QSM) involves acquisition and reconstruction of a series of images at multi-echo time points to estimate tissue field, which prolongs scan time and requires specific reconstruction technique. In this paper, we present our new framework, called Learned Acquisition and Reconstruction Optimization (LARO), which aims to accelerate the multi-echo gradient echo (mGRE) pulse sequence for QSM. Our approach involves optimizing a Cartesian multi-echo k-space sampling pattern with a deep reconstruction network. Next, this optimized sampling pattern was implemented in an mGRE sequence using Cartesian fan-beam k-space segmenting and ordering for prospective scans. Furthermore, we propose to insert a recurrent temporal feature fusion module into the reconstruction network to capture signal redundancies along echo time. Our ablation studies show that both the optimized sampling pattern and proposed reconstruction strategy help improve the quality of the multi-echo image reconstructions. Generalization experiments show that LARO is robust on the test data with new pathologies and different sequence parameters. Our code is available at https://github.com/Jinwei1209/LARO.git.
• Abstract（参考訳）: qsm(quantical susceptibility mapping)は、複数のエコー時点における一連の画像の取得と再構成を伴い、組織野を推定し、スキャン時間を延長し、特定の再構成技術を必要とする。 本稿では,qsm用マルチエコー勾配エコー(mgre)パルスシーケンスの高速化を目的とした,学習獲得・再構成最適化(laro)と呼ばれる新しいフレームワークを提案する。 提案手法では,深部再構成ネットワークを用いて,モンテカルロマルチエコk空間サンプリングパターンを最適化する。 次に、この最適化されたサンプリングパターンを、Cartesian fan-beam k-space segmenting と ordering for prospective scans を用いてmGREシーケンスで実装した。 さらに,リコンストラクションネットワークに繰り返し発生する時間的特徴融合モジュールを挿入し,エコー時間に沿って信号冗長性をキャプチャする。 本研究は, サンプリングパターンの最適化と, 提案する再構成戦略が, マルチエコー画像再構成の質向上に寄与することを示す。 一般化実験により、LAROは新たな病態と異なるシーケンスパラメータを持つテストデータに対して堅牢であることが示された。 私たちのコードはhttps://github.com/jinwei1209/laro.gitで利用可能です。

関連論文リスト

• Reinforcement Learning for Sampling on Temporal Medical Imaging Sequences [0.0]
  本研究では、動的画像再構成のためのサンプリング戦略を学ぶために、ダブルディープQ-ラーニングとREINFORCEアルゴリズムを適用した。 時系列のフォーマットでデータを考察し、再構成法は事前訓練されたオートエンコーダ型ニューラルネットワークである。 本稿では,強化学習アルゴリズムが最適サンプリングパターンの発見に有効であることを示す。
  論文  参考訳（メタデータ） (2023-08-28T23:55:23Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• 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)
• Highly accelerated MR parametric mapping by undersampling the k-space and reducing the contrast number simultaneously with deep learning [18.839338336031577]
  高速MRパラメトリックマッピングのためのRG-Net (reconstruction and generation network) と呼ばれる新しい深層学習手法を提案する。 フレームワークは再構築モジュールと生成モジュールから構成される。 RG-Netは17の加速速度で高品質なT1rhoマップを得る。
  論文  参考訳（メタデータ） (2021-12-01T07:29:29Z)
• Single-pass Object-adaptive Data Undersampling and Reconstruction for MRI [6.599344783327054]
  本稿では,畳み込みニューラルネットワークMNetを用いたデータ駆動型サンプリング手法を提案する。 ネットワークは、各オブジェクトに対する非常に限られた低周波k空間データを観測し、所望のアンダーサンプリングパターンを迅速に予測する。 高速MRI膝関節データセットの実験結果から,提案した学習アンダーサンプリングネットワークを用いて,4倍,8倍の加速度で物体特異的マスクを生成できることが示された。
  論文  参考訳（メタデータ） (2021-11-17T16:06:06Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• 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)
• Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks [21.349071909858218]
  正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。 実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。 特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
  論文  参考訳（メタデータ） (2021-01-06T18:55:37Z)
• Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation [152.609322951917]
  そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。 提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2020-02-21T05:19:10Z)

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。