論文の概要: L2SR: Learning to Sample and Reconstruct for Accelerated MRI
- arxiv url: http://arxiv.org/abs/2212.02190v2
- Date: Thu, 8 Dec 2022 09:02:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 14:13:12.297354
- Title: L2SR: Learning to Sample and Reconstruct for Accelerated MRI
- Title(参考訳): L2SR: 加速MRIのサンプルと再構成を学ぶ
- Authors: Pu Yang, Bin Dong
- Abstract要約: 深部強化学習(RL)による良いサンプルと再構成器のペアを見つけるための交互学習フレームワークを提案する。
特に、MRIサンプリング軌跡を定式化するために、スパルス逆部分観察マルコフ決定過程(POMDP)を提案する。
提案手法は,公開ベンチマークMRIデータセットであるfastMRIで評価し,最先端の再構成性能を実現する。
- 参考スコア(独自算出の注目度): 8.21204894633426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accelerated MRI aims to find a pair of samplers and reconstructors to reduce
acquisition time while maintaining the reconstruction quality. Most of the
existing works focus on finding either sparse samplers with a fixed
reconstructor or finding reconstructors with a fixed sampler. Recently, people
have begun to consider learning samplers and reconstructors jointly. In this
paper, we propose an alternating training framework for finding a good pair of
samplers and reconstructors via deep reinforcement learning (RL). In
particular, we propose a novel sparse-reward Partially Observed Markov Decision
Process (POMDP) to formulate the MRI sampling trajectory. Compared to the
existing works that utilize dense-reward POMDPs, the proposed sparse-reward
POMDP is more computationally efficient and has a provable advantage over
dense-reward POMDPs. We evaluate our method on fastMRI, a public benchmark MRI
dataset, and it achieves state-of-the-art reconstruction performances.
- Abstract(参考訳): Accelerated MRIは、再構成品質を維持しながら、取得時間を短縮するために、サンプルと再構成器のペアを見つけることを目的としている。
現存する作品のほとんどは、固定された再構成器を持つスパース・サンプラーを見つけるか、固定されたサンプラーを持つ再構築器を見つけることに焦点を当てている。
近年, サンプルと再構築を共同で行うことを考える声が高まっている。
本稿では, 深層強化学習(RL)を用いて, 優れたサンプルと再構成器のペアを見つけるための交互学習フレームワークを提案する。
特に,mriサンプリングの軌跡を定式化するために,sparse-reward partial observed markov decision process (pomdp)を提案する。
高密度pomdpを用いた既存の作品と比較すると,提案手法は計算効率が高く,高密度pomdpよりも証明可能なアドバンテージを有する。
提案手法は,公開ベンチマークMRIデータセットであるfastMRIで評価し,最先端の再構成性能を実現する。
関連論文リスト
- Implicit Neural Representation for MRI Parallel Imaging Reconstruction [31.952891507137725]
暗黙的ニューラル表現(INR)に基づく新しいMRI再構成法を提案する。
INRは、再構成された完全サンプリング画像を、ボクセル座標とアンダーサンプル画像の以前の特徴ベクトルの関数として表現する。
具体的には、異なるアンダーサンプリングスケールのMR画像からスケール非依存のボクセル特異な特徴を生成するためのスケール埋め込みエンコーダを提案する。
論文 参考訳(メタデータ) (2023-09-12T09:07:03Z) - CDiffMR: Can We Replace the Gaussian Noise with K-Space Undersampling
for Fast MRI? [1.523157765626545]
我々はCDiffMRと呼ばれる冷拡散型MRI再構成法を提案する。
以上の結果から,CDiffMRは最先端モデルに匹敵する,あるいは優れた再構成結果が得られることを示す。
論文 参考訳(メタデータ) (2023-06-25T21:53:50Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - 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) - Rethinking the optimization process for self-supervised model-driven MRI
reconstruction [16.5013498806588]
K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。
統計的に依存したノイズによるネットワークの復元劣化を低減することができる。
5つの最先端の手法よりも優れた結果が得られる。
論文 参考訳(メタデータ) (2022-03-18T03:41:36Z) - 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) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-01-23T21:58:19Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z) - End-to-End Sequential Sampling and Reconstruction for MR Imaging [37.29958197193658]
本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。
提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
論文 参考訳(メタデータ) (2021-05-13T17:56:18Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳(メタデータ) (2020-03-22T03:57:38Z)
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。