論文の概要: On Retrospective k-space Subsampling schemes For Deep MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2301.08365v2
- Date: Mon, 23 Jan 2023 22:51:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-01-25 15:13:43.877684
- Title: On Retrospective k-space Subsampling schemes For Deep MRI Reconstruction
- Title（参考訳）: 深部MRI再構成のための振り返り k-space Subsampling スキームについて
- Authors: George Yiasemis, Clara I. S\'anchez, Jan-Jakob Sonke, Jonas Teuwen
- Abstract要約: 本研究は、訓練されたDLモデルにより生成された再構成された加速MRI計測の品質に及ぼす$k$-spaceサブサンプリングスキームの効果について検討する。
In the scheme-specific setting RecurrentVarNets evaluation on non-rectilinearly subsampled data showed superior performance for high accelerates。
マルチスキーム設定では, スキーム固有の実験と比較して, 直線的にサブサンプリングされたデータに対する再構成性能が向上した。
- 参考スコア（独自算出の注目度）: 2.4934936799100034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: $\textbf{Purpose:}$ The MRI $k$-space acquisition is time consuming.
Traditional techniques aim to acquire accelerated data, which in conjunction
with recent DL methods, aid in producing high-fidelity images in truncated
times. Conventionally, subsampling the $k$-space is performed by utilizing
Cartesian-rectilinear trajectories, which even with the use of DL, provide
imprecise reconstructions, though, a plethora of non-rectilinear or
non-Cartesian trajectories can be implemented in modern MRI scanners. This work
investigates the effect of the $k$-space subsampling scheme on the quality of
reconstructed accelerated MRI measurements produced by trained DL models.
$\textbf{Methods:}$ The RecurrentVarNet was used as the DL-based
MRI-reconstruction architecture. Cartesian fully-sampled multi-coil $k$-space
measurements from three datasets with different accelerations were
retrospectively subsampled using eight distinct subsampling schemes (four
Cartesian-rectilinear, two Cartesian non-rectilinear, two non-Cartesian).
Experiments were conducted in two frameworks: Scheme-specific, where a distinct
model was trained and evaluated for each dataset-subsampling scheme pair, and
multi-scheme, where for each dataset a single model was trained on data
randomly subsampled by any of the eight schemes and evaluated on data
subsampled by all schemes.
$\textbf{Results:}$ In the scheme-specific setting RecurrentVarNets trained
and evaluated on non-rectilinearly subsampled data demonstrated superior
performance especially for high accelerations, whilst in the multi-scheme
setting, reconstruction performance on rectilinearly subsampled data improved
when compared to the scheme-specific experiments.
$\textbf{Conclusion:}$ Training DL-based MRI reconstruction algorithms on
non-rectilinearly subsampled measurements can produce more faithful
reconstructions.
- Abstract（参考訳）: $\textbf{Purpose:}$ MRI $k$-spaceの取得には時間がかかる。
従来の手法は,近年のDL手法と組み合わせた高速化されたデータを取得することを目的としている。
従来、$k$-スペースのサブサンプリングは直立線軌跡を用いて行われ、DLを用いても不正確な再構成が可能であるが、現代のMRIスキャナーでは非直立線軌跡や非直立線軌跡の多重化が可能である。
本研究は、訓練されたDLモデルにより生成された再構成加速MRIの画質に及ぼす$k$-spaceサブサンプリングスキームの影響について検討する。
$\textbf{Methods:}$ The RecurrentVarNetは、DLベースのMRI再構成アーキテクチャとして使われた。
加速度の異なる3つのデータセットからカーデシアンフルサンプリングされた$k$-space測定を8つの異なるサブサンプリングスキーム(4つのカーデシアン-rectilinear、2つのカーデシアン非rectilinear、2つの非カルテジアン)を用いて遡及的にサブサンプリングした。
実験は2つのフレームワークで実施された: Scheme-specificでは、データセットサブサンプリングスキームペア毎に個別のモデルをトレーニングし、評価し、マルチスキーマでは、データセット毎に、ランダムに8つのスキームにサブサンプルされたデータに基づいてトレーニングし、すべてのスキームでサンプル化されたデータに基づいて評価する。
スキーム固有のrecurrentvarnetsのトレーニングと評価において$\textbf{results:}$は、特に高加速において優れた性能を示したが、マルチスキーム設定では、スキーム特有の実験と比較して、線形サブサンプリングデータの再構成性能が向上した。
$\textbf{Conclusion:}$$ DLベースのMRI再構成アルゴリズムを非直線的にサブサンプル化することで、より忠実な再構築が可能になる。
関連論文リスト
- Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。
エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。
高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
論文 参考訳（メタデータ） (2025-01-07T12:29:32Z) - GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。
提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z) - Unsupervised Adaptive Implicit Neural Representation Learning for
Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。
我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。
提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文 参考訳（メタデータ） (2023-12-01T16:00:16Z) - MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based
Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文 参考訳（メタデータ） (2023-03-23T17:59:02Z) - A theoretical framework for self-supervised MR image reconstruction
using sub-sampling via variable density Noisier2Noise [0.0]
我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。
サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
論文 参考訳（メタデータ） (2022-05-20T16:19:23Z) - 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) - 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) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Extending LOUPE for K-space Under-sampling Pattern Optimization in
Multi-coil MRI [7.7917530616285235]
MRIにおけるk空間サンプリングパターンを最適化するための以前確立されたLOフレームワークを3倍に拡張した。
解析された最適サンプリングパターンは, 従来の再構成手法を用いた場合, 手作り可変密度サンプリングパターンよりも良好に動作した。
論文 参考訳（メタデータ） (2020-07-28T19:41:47Z) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳（メタデータ） (2020-05-19T05:54:14Z)
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。