論文の概要: PhaseNet: Phase-Encode Denoising Network for Compressed Sensing MRI
- arxiv url: http://arxiv.org/abs/2302.08861v1
- Date: Fri, 17 Feb 2023 13:16:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 14:53:56.582176
- Title: PhaseNet: Phase-Encode Denoising Network for Compressed Sensing MRI
- Title（参考訳）: PhaseNet:圧縮センシングMRIのための位相エンコードDenoising Network
- Authors: Marlon E. Bran Lorenzana, Shekhar S. Chandra and Feng Liu
- Abstract要約: 画像内の空間的関係を生かした1次元+2次元再構成技術を開発した。
提案した1D CNNモジュールは,ベースモデルと比較してPSNRとSSIMのスコアが有意に向上することがわかった。
- 参考スコア（独自算出の注目度）: 5.158810051376129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse reconstruction is an important aspect of modern medical imaging,
reducing the acquisition time of relatively slow modalities such as magnetic
resonance imaging (MRI). Popular methods are based mostly on compressed sensing
(CS), which relies on the random sampling of Fourier coefficients ($k$-space)
to produce incoherent (noise-like) artefacts that can be removed via convex
optimisation. Hardware constraints currently limit Cartesian CS to one
dimensional (1D) phase-encode undersampling schemes, leading to coherent and
structured artefacts. Reconstruction algorithms typically deploy an idealised
and limited 2D regularisation for artefact removal, which increases the
difficulty of image recovery. Recognising that phase-encode artefacts can be
separated into contiguous 1D signals, we develop two decoupling techniques that
enable explicit 1D regularisation. We thereby leverage the excellent
incoherence characteristics in the phase-encode direction. We also derive a
combined 1D + 2D reconstruction technique that further takes advantage of
spatial relationships within the image, leading to an improvement of existing
2D deep-learned (DL) recovery techniques. Performance is evaluated on a brain
and knee dataset. We find the proposed 1D CNN modules significantly improve
PSNR and SSIM scores compared to the base 2D models, demonstrating a superior
scaling of performance compared to increasing the size of 2D network layers.
- Abstract（参考訳）: スパース再構成は現代医療画像の重要な側面であり、MRI(MRI)のような比較的遅いモダリティの獲得時間を短縮する。
一般的な手法は主に圧縮センシング(CS)に基づいており、これは凸最適化によって除去できる不整合(ノイズのような)アーティファクトを生成するためにフーリエ係数(k$-スペース)のランダムサンプリングに依存する。
ハードウェア制約は現在、カルテシアンCSを1次元(1D)位相エンコードアンサンプスキームに制限しており、一貫性と構造化されたアーティファクトをもたらす。
レコンストラクションアルゴリズムは通常、アーティファクト除去のための理想的で限られた2次元正規化を展開し、画像復元の困難さを増大させる。
位相エンコードアーチファクトを連続した1次元信号に分割できることを認識し, 明示的な1次元正規化を実現する2つのデカップリング技術を開発した。
これにより、位相エンコード方向の優れた非コヒーレンス特性を利用する。
また,画像内の空間的関係を更に活用し,既存の2次元深層学習(DL)回復技術の改善につながる1次元+2次元再構成手法を考案した。
脳と膝のデータセットでパフォーマンスを評価する。
提案した1D CNNモジュールは,ベース2Dモデルと比較してPSNRとSSIMのスコアを有意に改善し,2Dネットワーク層よりも優れたスケーリング性能を示した。
関連論文リスト
- Coarse-Fine Spectral-Aware Deformable Convolution For Hyperspectral Image Reconstruction [15.537910100051866]
Coded Aperture Snapshot Spectral Imaging (CASSI) の逆問題について検討する。
粗面スペクトル対応変形性畳み込みネットワーク(CFSDCN)を提案する。
我々のCFSDCNは、シミュレーションされたHSIデータセットと実際のHSIデータセットの両方において、従来の最先端(SOTA)メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2024-06-18T15:15:12Z) - Scalable Non-Cartesian Magnetic Resonance Imaging with R2D2 [6.728969294264806]
本研究では,非電子磁気共鳴画像再構成のための新しい手法を提案する。
我々は「Residual to-Residual DNN series for high range imaging (R2D2)」を利用する。
論文 参考訳（メタデータ） (2024-03-26T17:45:06Z) - The R2D2 deep neural network series paradigm for fast precision imaging in radio astronomy [1.7249361224827533]
最近の画像再構成技術は、CLEANの能力をはるかに超えて、画像の精度が著しく向上している。
高ダイナミックレンジイメージングのためのResidual-to-Residual DNNシリーズと呼ばれる新しいディープラーニング手法を導入する。
高精度を実現するためのR2D2の能力は、超大型アレイ(VLA)を用いた様々な画像観測環境においてシミュレーションで実証されている。
論文 参考訳（メタデータ） (2024-03-08T16:57:54Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳（メタデータ） (2023-12-02T02:27:58Z) - JOTR: 3D Joint Contrastive Learning with Transformers for Occluded Human
Mesh Recovery [84.67823511418334]
本稿では,3次元メッシュ復元のためのTRansformersフレームワークを用いた3次元ジョイントコントラスト学習について述べる。
提案手法は,2D$&$3D対応結果を得るために,2Dおよび3D表現を融合するエンコーダ・デコーダ変換器アーキテクチャを含む。
論文 参考訳（メタデータ） (2023-07-31T02:58:58Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳（メタデータ） (2023-03-22T18:59:48Z) - Joint-MAE: 2D-3D Joint Masked Autoencoders for 3D Point Cloud
Pre-training [65.75399500494343]
Masked Autoencoders (MAE) は、2Dおよび3Dコンピュータビジョンのための自己教師型学習において有望な性能を示した。
自己監督型3次元点雲事前学習のための2D-3DジョイントMAEフレームワークであるJoint-MAEを提案する。
論文 参考訳（メタデータ） (2023-02-27T17:56:18Z) - Deep-MDS Framework for Recovering the 3D Shape of 2D Landmarks from a
Single Image [8.368476827165114]
本稿では,人間の顔上の2次元ランドマークの3次元形状を,単一の入力画像で再現する枠組みを提案する。
ディープニューラルネットワークは、NMDSアプローチで使用される2Dランドマーク間のペアの相似性を学習する。
論文 参考訳（メタデータ） (2022-10-27T06:20:10Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳（メタデータ） (2022-05-20T11:37:44Z) - Multi-initialization Optimization Network for Accurate 3D Human Pose and
Shape Estimation [75.44912541912252]
我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。
第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。
第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。
最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
論文 参考訳（メタデータ） (2021-12-24T02:43:58Z) - One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
核磁気共鳴画像(MRI)における深層学習の驚くべき性能
最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。
我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
論文 参考訳（メタデータ） (2021-12-09T06:39:55Z)
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。