論文の概要: Affine Transformation Edited and Refined Deep Neural Network for
Quantitative Susceptibility Mapping
- arxiv url: http://arxiv.org/abs/2211.13942v1
- Date: Fri, 25 Nov 2022 07:54:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 18:05:04.495403
- Title: Affine Transformation Edited and Refined Deep Neural Network for
Quantitative Susceptibility Mapping
- Title(参考訳): 定量的サセプティビリティマッピングのためのアフィン変換編集・精製ディープニューラルネットワーク
- Authors: Zhuang Xiong, Yang Gao, Feng Liu, Hongfu Sun
- Abstract要約: 定量的サセプティビリティマッピング(QSM)のための、エンドツーエンドのAFfine Transformation Edited and Refined (AFTER)ディープニューラルネットワークを提案する。
任意の取得方向と空間分解能が最大0.6mm等方性に対して最も高い。
- 参考スコア(独自算出の注目度): 10.772763441035945
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Deep neural networks have demonstrated great potential in solving dipole
inversion for Quantitative Susceptibility Mapping (QSM). However, the
performances of most existing deep learning methods drastically degrade with
mismatched sequence parameters such as acquisition orientation and spatial
resolution. We propose an end-to-end AFfine Transformation Edited and Refined
(AFTER) deep neural network for QSM, which is robust against arbitrary
acquisition orientation and spatial resolution up to 0.6 mm isotropic at the
finest. The AFTER-QSM neural network starts with a forward affine
transformation layer, followed by an Unet for dipole inversion, then an inverse
affine transformation layer, followed by a Residual Dense Network (RDN) for QSM
refinement. Simulation and in-vivo experiments demonstrated that the proposed
AFTER-QSM network architecture had excellent generalizability. It can
successfully reconstruct susceptibility maps from highly oblique and
anisotropic scans, leading to the best image quality assessments in simulation
tests and suppressed streaking artifacts and noise levels for in-vivo
experiments compared with other methods. Furthermore, ablation studies showed
that the RDN refinement network significantly reduced image blurring and
susceptibility underestimation due to affine transformations. In addition, the
AFTER-QSM network substantially shortened the reconstruction time from minutes
using conventional methods to only a few seconds.
- Abstract(参考訳): 深層ニューラルネットワークは、量的感受性マッピング(QSM)のための双極子反転を解く大きな可能性を示している。
しかし,既存の深層学習手法の大半の性能は,取得方向や空間分解能といったミスマッチしたシーケンスパラメータによって劇的に劣化する。
本稿では,QSMのための終端から終端までのAFfine Transformation Edited and Refined(AFTER)ディープニューラルネットワークを提案する。
after-qsmニューラルネットワークは、フォワードアフィン変換層から始まり、次に双極子反転のためのunet、次いで逆アフィン変換層から始まり、qsm微細化のための残密ネットワーク(rdn)へと続く。
シミュレーションとin-vivo実験により、提案したアフターQSMネットワークアーキテクチャは優れた一般化性を示した。
高い斜めおよび異方性スキャンからサセプティビリティマップを再現し、シミュレーションテストで最高の画質評価を導き、他の方法と比較して、生体内実験におけるストレッチアーティファクトやノイズレベルを抑制することができる。
さらに,アフィン変換による画像ぼかしや感受性の過小評価をRDN精製網で有意に低減した。
また,after-qsmネットワークは,従来の手法による復元時間を数分から数秒に短縮した。
関連論文リスト
- Deep Learning-based MRI Reconstruction with Artificial Fourier Transform (AFT)-Net [14.146848823672677]
複合価値ディープラーニングフレームワーク-Artificial Fourier Transform Network (AFTNet)を導入する。
AFTNetは、ドメイン変換における画像逆問題の解決に容易に利用できる。
AFTNetは既存のアプローチに比べ,MRIの高速化に優れることを示す。
論文 参考訳(メタデータ) (2023-12-18T02:50:45Z) - Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape
Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。
nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。
全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文 参考訳(メタデータ) (2023-08-03T13:56:07Z) - Reparameterization through Spatial Gradient Scaling [69.27487006953852]
リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。
本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
論文 参考訳(メタデータ) (2023-03-05T17:57:33Z) - JSRNN: Joint Sampling and Reconstruction Neural Networks for High
Quality Image Compressed Sensing [8.902545322578925]
提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。
再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。
このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2022-11-11T02:20:30Z) - T$^2$LR-Net: An Unrolling Reconstruction Network Learning Transformed
Tensor Low-Rank prior for Dynamic MR Imaging [6.101233798770526]
我々は、変換されたドメインの前にテンソルローランクを利用することができるTTNNに基づくフレキシブルモデルを導入する。
また,変換テンソルの低ランク化を前もって学習するためのモデルベースディープ・アンロール・リコンストラクション・ネットワークを導入する。
提案手法は,現状の最適化手法とネットワークベースのアンロール手法と比較して,改善された回復結果を提供することができる。
論文 参考訳(メタデータ) (2022-09-08T14:11:02Z) - Backward Gradient Normalization in Deep Neural Networks [68.8204255655161]
ニューラルネットワークトレーニングにおける勾配正規化のための新しい手法を提案する。
勾配は、ネットワークアーキテクチャ内の特定の点で導入された正規化レイヤを使用して、後方通過中に再スケールされる。
非常に深いニューラルネットワークを用いたテストの結果、新しい手法が勾配ノルムを効果的に制御できることが示されている。
論文 参考訳(メタデータ) (2021-06-17T13:24:43Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - Learned Proximal Networks for Quantitative Susceptibility Mapping [9.061630971752464]
本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。
このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
論文 参考訳(メタデータ) (2020-08-11T22:35:24Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳(メタデータ) (2020-05-20T11:11:47Z) - Unsupervised Adaptive Neural Network Regularization for Accelerated
Radial Cine MRI [3.6280929178575994]
本研究では,浅部畳み込みニューラルネットワークの非教師なし学習に基づく2次元放射状シネMRIの反復的再構成手法を提案する。
ネットワークは、再構築中の解の現在の推定値のパッチを近似するように訓練される。
論文 参考訳(メタデータ) (2020-02-10T14:47:20Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳(メタデータ) (2020-01-28T18:25:15Z)
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。