論文の概要: Iterative Data Refinement for Self-Supervised MR Image Reconstruction
- arxiv url: http://arxiv.org/abs/2211.13440v1
- Date: Thu, 24 Nov 2022 06:57:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 18:08:10.015296
- Title: Iterative Data Refinement for Self-Supervised MR Image Reconstruction
- Title（参考訳）: 自己監督型MR画像再構成のための反復的データ再構成
- Authors: Xue Liu, Juan Zou, Xiawu Zheng, Cheng Li, Hairong Zheng, Shanshan Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.02961646651716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging (MRI) has become an important technique in the
clinic for the visualization, detection, and diagnosis of various diseases.
However, one bottleneck limitation of MRI is the relatively slow data
acquisition process. Fast MRI based on k-space undersampling and high-quality
image reconstruction has been widely utilized, and many deep learning-based
methods have been developed in recent years. Although promising results have
been achieved, most existing methods require fully-sampled reference data for
training the deep learning models. Unfortunately, fully-sampled MRI data are
difficult if not impossible to obtain in real-world applications. To address
this issue, we propose a data refinement framework for self-supervised MR image
reconstruction. Specifically, we first analyze the reason of the performance
gap between self-supervised and supervised methods and identify that the bias
in the training datasets between the two is one major factor. Then, we design
an effective self-supervised training data refinement method to reduce this
data bias. With the data refinement, an enhanced self-supervised MR image
reconstruction framework is developed to prompt accurate MR imaging. We
evaluate our method on an in-vivo MRI dataset. Experimental results show that
without utilizing any fully sampled MRI data, our self-supervised framework
possesses strong capabilities in capturing image details and structures at high
acceleration factors.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、様々な疾患の可視化、検出、診断のためのクリニックにおいて重要な技術となっている。
しかし、MRIのボトルネックの1つは、比較的遅いデータ取得プロセスである。
k空間アンサンプと高品質画像再構成に基づく高速mriが広く活用され,近年,深層学習に基づく手法が数多く開発されている。
有望な結果が得られたが、既存の手法のほとんどは、ディープラーニングモデルをトレーニングするために完全にサンプル化された参照データを必要とする。
残念ながら、実世界のアプリケーションでは、完全にサンプリングされたMRIデータは入手が困難である。
そこで本稿では,自己監督型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。
具体的には,まず,自己教師法と教師法との性能差の原因を解析し,両者間のトレーニングデータセットにおけるバイアスが1つの大きな要因であることを示す。
そして,このデータバイアスを低減すべく,効果的な自己教師付き学習データ改良手法を考案する。
データリファインメントにより、正確なMRイメージングを促進するために、自己教師付きMR画像再構成フレームワークが開発された。
本手法をin-vivo mriデータセット上で評価する。
実験結果から, 完全にサンプリングされたMRIデータを使わずに, 画像の細部や構造を高加速度で捉える強力な能力を有することが明らかとなった。
関連論文リスト
- 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) - 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) - 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) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Self-Score: Self-Supervised Learning on Score-Based Models for MRI
Reconstruction [18.264778497591603]
本稿では,MRI再構成のための完全サンプルデータフリースコアベース拡散モデルを提案する。
アンダーサンプリングされたデータに基づいて、自己監督的な方法で、完全にサンプリングされたMR画像を学ぶ。
公開データセットにおける実験により,提案手法は既存の自己教師型MRI再構成法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-09-02T06:21:42Z) - 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-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) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z) - 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。