論文の概要: Computationally Efficient 3D MRI Reconstruction with Adaptive MLP

• arxiv url: http://arxiv.org/abs/2301.08868v2
• Date: Wed, 31 May 2023 15:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 03:28:51.791998
• Title: Computationally Efficient 3D MRI Reconstruction with Adaptive MLP
• Title（参考訳）: 適応型MLPを用いた3次元MRI画像再構成
• Authors: Eric Z. Chen, Chi Zhang, Xiao Chen, Yikang Liu, Terrence Chen, Shanhui Sun
• Abstract要約: 現在の手法は主に、小さなカーネルを持つ畳み込みニューラルネットワーク(CNN)に基づいている。 本稿では,低周波再構成用CNNモジュールと大周波再構成用GPU(MLP)モジュールのハイブリッドとしてRecon3DMLPを提案する。
• 参考スコア（独自算出の注目度）: 12.796051051794024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared with 2D MRI, 3D MRI provides superior volumetric spatial resolution and signal-to-noise ratio. However, it is more challenging to reconstruct 3D MRI images. Current methods are mainly based on convolutional neural networks (CNN) with small kernels, which are difficult to scale up to have sufficient fitting power for 3D MRI reconstruction due to the large image size and GPU memory constraint. Furthermore, MRI reconstruction is a deconvolution problem, which demands long-distance information that is difficult to capture by CNNs with small convolution kernels. The multi-layer perceptron (MLP) can model such long-distance information, but it requires a fixed input size. In this paper, we proposed Recon3DMLP, a hybrid of CNN modules with small kernels for low-frequency reconstruction and adaptive MLP (dMLP) modules with large kernels to boost the high-frequency reconstruction, for 3D MRI reconstruction. We further utilized the circular shift operation based on MRI physics such that dMLP accepts arbitrary image size and can extract global information from the entire FOV. We also propose a GPU memory efficient data fidelity module that can reduce $>$50$\%$ memory. We compared Recon3DMLP with other CNN-based models on a high-resolution (HR) 3D MRI dataset. Recon3DMLP improves HR 3D reconstruction and outperforms several existing CNN-based models under similar GPU memory consumption, which demonstrates that Recon3DMLP is a practical solution for HR 3D MRI reconstruction.
• Abstract（参考訳）: 2次元MRIと比較して、3次元MRIは空間分解能と信号-雑音比が優れている。 しかし,3次元MRI画像の再構成は困難である。 現在の手法は主に、小さなカーネルを持つ畳み込みニューラルネットワーク(CNN)に基づいており、大きな画像サイズとGPUメモリの制約のため、3D MRI再構成に十分な適合能力を持つにはスケールアップが困難である。 さらに、MRI再構成は非畳み込み問題であり、小さな畳み込みカーネルを持つCNNが捉えにくい長距離情報を必要とする。 多層パーセプトロン(MLP)はそのような長距離情報をモデル化することができるが、一定の入力サイズを必要とする。 本稿では,低周波再構成用CNNモジュールと低周波再構成用DMLPモジュールを併用したRecon3DMLPを提案する。 さらに,dMLPが任意の画像サイズを受け入れ,FOV全体からグローバル情報を抽出できるように,MRI物理に基づく円形シフト操作を利用した。 また、gpuメモリ効率の良いデータフィデリティモジュールを提案し、$>$50$\%$メモリを削減できる。 我々はRecon3DMLPを高分解能(HR)3次元MRIデータセット上で他のCNNモデルと比較した。 Recon3DMLPはHR 3Dの再構成を改善し、同様のGPUメモリ消費下で既存のCNNベースのモデルより優れており、Recon3DMLPがHR 3D MRI再構成の実用的なソリューションであることを示している。

関連論文リスト

• fMRI-3D: A Comprehensive Dataset for Enhancing fMRI-based 3D Reconstruction [50.534007259536715]
  我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4768個の3Dオブジェクトを展示する。 我々は,fMRI信号から3次元視覚情報を復号化するための新しいフレームワークMinD-3Dを提案する。
  論文  参考訳（メタデータ） (2024-09-17T16:13:59Z)
• MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
  Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。 このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。 我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
  論文  参考訳（メタデータ） (2023-12-12T18:21:36Z)
• Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
  3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。 本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。 効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
  論文  参考訳（メタデータ） (2023-02-24T15:26:31Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Highly Accurate FMRI ADHD Classification using time distributed multi modal 3D CNNs [0.0]
  本研究では,ADHD障害分類のためのfMRIデータ解析アルゴリズムを提案する。 3D-GANを利用することで、ディープフェイクデータを使用して脳障害の3D CNN分類の精度を高めることができる。
  論文  参考訳（メタデータ） (2022-05-24T11:39:11Z)
• Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder [0.0]
  高分解能拡散MRI(dMRI)データは、臨床環境ではスキャン時間に制限されることが多い。 角領域のdMRIボリュームを超解き放つことができる3次元リカレント畳み込みニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2022-03-29T14:08:30Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Memory-efficient Learning for High-Dimensional MRI Reconstruction [20.81538631727325]
  メモリ効率の高い学習フレームワーク (MEL) を用いたin-vivo 3D MRI および 2D+time 心シネMRI の画像再構成性能の改善を示す。 MELはGPUメモリをはるかに少なくし、トレーニング時間を大幅に短縮し、高次元MRIへのDLの新しいアプリケーションを可能にします。
  論文  参考訳（メタデータ） (2021-03-06T01:36:25Z)
• MRI Super-Resolution with GAN and 3D Multi-Level DenseNet: Smaller, Faster, and Better [16.65044022241517]
  高分解能(HR)磁気共鳴画像(MRI)は、臨床応用において診断に重要な詳細な解剖情報を提供する。 HR MRIは通常、長時間のスキャン、空間被覆の小さい、信号対雑音比(SNR)のコストがかかる。 近年の研究では、ディープ畳み込みニューラルネットワーク(CNN)を用いて、単一画像超解像(SISR)アプローチにより、低解像度(LR)入力からHRジェネリックイメージを復元できることが示されている。
  論文  参考訳（メタデータ） (2020-03-02T22:07:56Z)

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。