論文の概要: Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2302.09244v1
• Date: Sat, 18 Feb 2023 06:11:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 19:42:22.103356
• Title: Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction
• Title（参考訳）: 非カルテシアンMRIの高速化のためのデュアルドメイン自己監督学習
• Authors: Bo Zhou, Jo Schlemper, Neel Dey, Seyed Sadegh Mohseni Salehi, Kevin Sheth, Chi Liu, James S. Duncan, Michal Sofka
• Abstract要約: 非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
• 参考スコア（独自算出の注目度）: 14.754843942604472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While enabling accelerated acquisition and improved reconstruction accuracy, current deep MRI reconstruction networks are typically supervised, require fully sampled data, and are limited to Cartesian sampling patterns. These factors limit their practical adoption as fully-sampled MRI is prohibitively time-consuming to acquire clinically. Further, non-Cartesian sampling patterns are particularly desirable as they are more amenable to acceleration and show improved motion robustness. To this end, we present a fully self-supervised approach for accelerated non-Cartesian MRI reconstruction which leverages self-supervision in both k-space and image domains. In training, the undersampled data are split into disjoint k-space domain partitions. For the k-space self-supervision, we train a network to reconstruct the input undersampled data from both the disjoint partitions and from itself. For the image-level self-supervision, we enforce appearance consistency obtained from the original undersampled data and the two partitions. Experimental results on our simulated multi-coil non-Cartesian MRI dataset demonstrate that DDSS can generate high-quality reconstruction that approaches the accuracy of the fully supervised reconstruction, outperforming previous baseline methods. Finally, DDSS is shown to scale to highly challenging real-world clinical MRI reconstruction acquired on a portable low-field (0.064 T) MRI scanner with no data available for supervised training while demonstrating improved image quality as compared to traditional reconstruction, as determined by a radiologist study.
• Abstract（参考訳）: 高速化された取得と再構築精度の向上を実現する一方で、現在のディープMRI再構成ネットワークは一般的に監視され、完全なサンプルデータを必要とし、カルテシアンサンプリングパターンに制限される。 これらの要因は、完全にサンプリングされたMRIが臨床的に取得するのに著しく時間がかかるため、実践的な採用を制限する。 さらに、非カルテシアンサンプリングパターンは、加速度に順応し、運動堅牢性の向上を示すため、特に望ましい。 そこで本研究では,k-space領域と画像領域の両方で自己スーパービジョンを生かした,非カルト的MRI再構成のための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 k-空間の自己スーパービジョンのために、ネットワークをトレーニングし、不整合分割とそれ自身から入力アンサンプされたデータを再構築する。 画像レベルの自己スーパービジョンでは、元のアンサンプリングデータと2つのパーティションから得られた外観整合性を強制する。 シミュレーションしたマルチコイル非カルテシアンMRIデータセットによる実験結果から,DDSSが完全教師付き再構成の精度に近づき,従来のベースライン法より優れていることを示す。 最後に,携帯型低磁場(0.064t)mriスキャナーを用いて,従来の画像再構成法に比べて画像品質が向上する一方で,教師付きトレーニングに利用可能なデータを持たない実世界のmri再構成に非常に挑戦的なスケールを示した。

関連論文リスト

• 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)
• 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)
• CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
  コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。 本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
  論文  参考訳（メタデータ） (2023-06-01T10:29:58Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• 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)
• 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)
• 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)
• Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
  本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。 公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T04:04:48Z)
• 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)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• Zero-Shot Self-Supervised Learning for MRI Reconstruction [4.542616945567623]
  そこで本研究では,ゼロショット型自己教師型学習手法を提案する。 提案手法は、単一のスキャンから利用可能な測定値を3つの解離集合に分割する。 画像特性の異なるデータベース上に事前学習されたモデルが存在する場合,提案手法は変換学習と組み合わせることで,より高速な収束時間と計算複雑性の低減を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-02-15T18:34:38Z)

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。