論文の概要: Holistic Multi-Slice Framework for Dynamic Simultaneous Multi-Slice MRI
Reconstruction
- arxiv url: http://arxiv.org/abs/2301.01355v1
- Date: Tue, 3 Jan 2023 21:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 15:59:26.471416
- Title: Holistic Multi-Slice Framework for Dynamic Simultaneous Multi-Slice MRI
Reconstruction
- Title(参考訳): 動的同時マルチスライスMRI再構成のためのホロスティック・マルチスライス・フレームワーク
- Authors: Daniel H. Pak and Xiao Chen and Eric Z. Chen and Yikang Liu and
Terrence Chen and Shanhui Sun
- Abstract要約: 動的SMS再構築のための新しいDLベースのフレームワークを提案する。
本研究の主な貢献は,1)データ変換ステップと,2)データ不足問題に対処するMR物理誘導転送学習戦略を効果的に活用するネットワーク設計の組み合わせである。
- 参考スコア(独自算出の注目度): 8.02450593595801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic Magnetic Resonance Imaging (dMRI) is widely used to assess various
cardiac conditions such as cardiac motion and blood flow. To accelerate MR
acquisition, techniques such as undersampling and Simultaneous Multi-Slice
(SMS) are often used. Special reconstruction algorithms are needed to
reconstruct multiple SMS image slices from the entangled information. Deep
learning (DL)-based methods have shown promising results for single-slice MR
reconstruction, but the addition of SMS acceleration raises unique challenges
due to the composite k-space signals and the resulting images with strong
inter-slice artifacts. Furthermore, many dMRI applications lack sufficient data
for training reconstruction neural networks. In this study, we propose a novel
DL-based framework for dynamic SMS reconstruction. Our main contributions are
1) a combination of data transformation steps and network design that
effectively leverages the unique characteristics of undersampled dynamic SMS
data, and 2) an MR physics-guided transfer learning strategy that addresses the
data scarcity issue. Thorough comparisons with multiple baseline methods
illustrate the strengths of our proposed methods.
- Abstract(参考訳): ダイナミックMRI(Dynamic Magnetic Resonance Imaging)は、心臓運動や血流などの様々な心臓状態を評価するために広く用いられている。
MR取得を加速するために、アンダーサンプリングや同時マルチスライス(SMS)などの技術がよく用いられる。
絡み合った情報から複数のSMS画像スライスを再構成するために、特別な再構成アルゴリズムが必要である。
ディープラーニング(dl)ベースの手法は,単一スライスmr再構成に有望な結果を示しているが,複合k空間信号と強いスライス間アーティファクトを有する画像により,smsアクセラレーションの付加は独特の課題を生じさせている。
さらに、多くのdMRIアプリケーションは、再構成ニューラルネットワークのトレーニングに十分なデータを持っていない。
本研究では,動的sms再構成のためのdlベースフレームワークを提案する。
私たちの主な貢献は
1)アンサンプリングされた動的smsデータのユニークな特性を効果的に活用するデータ変換ステップとネットワーク設計の組み合わせ
2)データ不足問題に対処するMR物理誘導型転送学習戦略。
複数のベースライン法との比較は,提案手法の強みを示す。
関連論文リスト
- Deep Multi-contrast Cardiac MRI Reconstruction via vSHARP with Auxiliary Refinement Network [7.043932618116216]
本稿では,2次元動的マルチコントラスト,マルチスキーム,マルチアクセラレーションMRIの深層学習に基づく再構成手法を提案する。
提案手法は,半2乗変数分割とADMM最適化を利用した最先端のvSHARPモデルを統合する。
論文 参考訳(メタデータ) (2024-11-02T15:59:35Z) - Robust Simultaneous Multislice MRI Reconstruction Using Deep Generative Priors [4.23798859509348]
同時マルチスライス(SMS)イメージングはMRI取得を加速させる強力な技術である。
本研究は, 深部生成前駆体を用いた頑健なSMS MRI再構成法を提案する。
論文 参考訳(メタデータ) (2024-07-31T13:34:14Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳(メタデータ) (2024-05-28T00:36:25Z) - Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。
提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文 参考訳(メタデータ) (2023-10-10T13:46:11Z) - 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) - Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。
これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。
我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文 参考訳(メタデータ) (2023-06-21T16:19:07Z) - 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) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳(メタデータ) (2022-03-26T01:42:59Z) - 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)
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。