Fugu-MT 論文翻訳(概要): L2SR: Learning to Sample and Reconstruct for Accelerated MRI via Reinforcement Learning

論文の概要: L2SR: Learning to Sample and Reconstruct for Accelerated MRI via Reinforcement Learning

arxiv url: http://arxiv.org/abs/2212.02190v3
Date: Sat, 6 Apr 2024 04:59:12 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 05:46:40.167638
Title: L2SR: Learning to Sample and Reconstruct for Accelerated MRI via Reinforcement Learning
Title（参考訳）: L2SR:強化学習による加速MRIのサンプル学習と再構成
Authors: Pu Yang, Bin Dong,
Abstract要約: 優れたサンプルと再構成器のペアを共同で学習するための交互学習フレームワークを提案する。 L2SRは、ファストMRIデータセット上で最先端の再構成性能を達成するサンプルと再構成器のペアを学習する。
参考スコア（独自算出の注目度）: 4.955697042432618
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Magnetic Resonance Imaging (MRI) is a widely used medical imaging technique, but its long acquisition time can be a limiting factor in clinical settings. To address this issue, researchers have been exploring ways to reduce the acquisition time while maintaining the reconstruction quality. Previous works have focused on finding either sparse samplers with a fixed reconstructor or finding reconstructors with a fixed sampler. However, these approaches do not fully utilize the potential of joint learning of samplers and reconstructors. In this paper, we propose an alternating training framework for jointly learning a good pair of samplers and reconstructors via deep reinforcement learning (RL). In particular, we consider the process of MRI sampling as a sampling trajectory controlled by a sampler, and introduce a novel sparse-reward Partially Observed Markov Decision Process (POMDP) to formulate the MRI sampling trajectory. Compared to the dense-reward POMDP used in existing works, the proposed sparse-reward POMDP is more computationally efficient and has a provable advantage. Moreover, the proposed framework, called L2SR (Learning to Sample and Reconstruct), overcomes the training mismatch problem that arises in previous methods that use dense-reward POMDP. By alternately updating samplers and reconstructors, L2SR learns a pair of samplers and reconstructors that achieve state-of-the-art reconstruction performances on the fastMRI dataset. Codes are available at \url{https://github.com/yangpuPKU/L2SR-Learning-to-Sample-and-Reconstruct}.
Abstract（参考訳）: 磁気共鳴イメージング(MRI)は広く用いられている医療画像技術であるが、その長期取得は臨床環境での限界要因となる可能性がある。この問題に対処するため、研究者は再建の質を維持しながら取得時間を短縮する方法を模索している。従来の研究は、固定された再構成器でスパースサンプリング器を見つけるか、固定されたサンプリング器で再構成器を見つけることに重点を置いていた。しかし, これらの手法は, サンプルと再構成者の共同学習の可能性を十分に活用していない。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共同で学習するための交互学習フレームワークを提案する。特に,MRIサンプリングの過程をサンプリング器が制御するサンプリング軌跡として考慮し,新しいスパース逆部分観察マルコフ決定過程(POMDP)を導入し,MRIサンプリング軌跡を定式化する。既存の研究で使われている高密度逆数POMDPと比較して、提案したスパース逆数POMDPは計算効率が良く、証明可能な利点がある。さらに、L2SR(Learning to Sample and Reconstruct)と呼ばれるフレームワークは、より密逆のPMDPを使用する従来の手法で発生するトレーニングミスマッチ問題を克服する。 L2SRは、サンプリング器と再構成器を交互に更新することにより、ファストMRIデータセット上で最先端の再構成性能を達成するサンプル器と再構成器のペアを学習する。コードは \url{https://github.com/yangpuPKU/L2SR-Learning-to-Sample-and-Reconstruct} で公開されている。

関連論文リスト

LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [2.3007720628527104]
The Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method was proposed。スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。 MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
論文参考訳（メタデータ） (2024-11-05T09:51:59Z)
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)
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)
Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文参考訳（メタデータ） (2021-09-26T06:09:56Z)
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)
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)
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。