論文の概要: ViGU: Vision GNN U-Net for Fast MRI
- arxiv url: http://arxiv.org/abs/2302.10273v1
- Date: Mon, 23 Jan 2023 12:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 14:37:34.759376
- Title: ViGU: Vision GNN U-Net for Fast MRI
- Title（参考訳）: ViGU:高速MRIのためのビジョンGNN U-Net
- Authors: Jiahao Huang, Angelica Aviles-Rivero, Carola-Bibiane Schonlieb, Guang
Yang
- Abstract要約: Vision GNN U-Net (ViGU) と呼ばれる高速MRIのための新しいビジョンGNN型ネットワークを提案する。
対称エンコーダとデコーダパスのグラフブロックを用いてU字型ネットワークを開発する。
数値的および視覚的な実験を通して、提案したViGUとGANの変種が既存のCNNおよびGANベースの手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 1.523157765626545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models have been widely applied for fast MRI. The majority of
existing deep learning models, e.g., convolutional neural networks, work on
data with Euclidean or regular grids structures. However, high-dimensional
features extracted from MR data could be encapsulated in non-Euclidean
manifolds. This disparity between the go-to assumption of existing models and
data requirements limits the flexibility to capture irregular anatomical
features in MR data. In this work, we introduce a novel Vision GNN type network
for fast MRI called Vision GNN U-Net (ViGU). More precisely, the pixel array is
first embedded into patches and then converted into a graph. Secondly, a
U-shape network is developed using several graph blocks in symmetrical encoder
and decoder paths. Moreover, we show that the proposed ViGU can also benefit
from Generative Adversarial Networks yielding to its variant ViGU-GAN. We
demonstrate, through numerical and visual experiments, that the proposed ViGU
and GAN variant outperform existing CNN and GAN-based methods. Moreover, we
show that the proposed network readily competes with approaches based on
Transformers while requiring a fraction of the computational cost. More
importantly, the graph structure of the network reveals how the network
extracts features from MR images, providing intuitive explainability.
- Abstract（参考訳）: ディープラーニングモデルは高速MRIに広く応用されている。
既存のディープラーニングモデルの大部分、例えば畳み込みニューラルネットワークは、ユークリッドまたは正規グリッド構造を用いたデータに取り組んでいる。
しかし、MRデータから抽出された高次元特徴は非ユークリッド多様体にカプセル化できる。
既存のモデルとデータ要求との相違は、MRデータの不規則な解剖学的特徴を捉える柔軟性を制限する。
本研究では,高速MRIのための新しいビジョンGNN型ネットワークであるビジョンGNN U-Net(ViGU)を紹介する。
より正確には、ピクセル配列は最初にパッチに埋め込まれ、次にグラフに変換される。
次に、対称エンコーダとデコーダパスのグラフブロックを用いてU字型ネットワークを開発する。
さらに,提案したViGUは,その変種であるViGU-GANから得られるジェネレーティブ・アドバイサル・ネットワークの恩恵を受けることができることを示す。
数値的および視覚的な実験を通して、提案したViGUとGANの変種が既存のCNNおよびGANベースの手法より優れていることを示す。
さらに,提案ネットワークは,計算コストのごく一部を必要としながら,トランスフォーマーに基づくアプローチと容易に競合できることを示す。
さらに重要なことに、ネットワークのグラフ構造は、ネットワークがmr画像から機能を抽出する方法を明らかにし、直感的な説明可能性を提供する。
関連論文リスト
- CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。
Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文 参考訳（メタデータ） (2024-04-23T08:19:08Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - ViG-UNet: Vision Graph Neural Networks for Medical Image Segmentation [7.802846775068384]
本稿では、エンコーダ、デコーダ、ボトルネック、スキップ接続を備えたグラフニューラルネットワークに基づくU字型アーキテクチャを提案する。
ISIC 2016 と ISIC 2017 と Kvasir-SEG のデータセットによる実験結果から,提案したアーキテクチャは,既存の古典的かつ最先端のU字型ネットワークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-06-08T03:17:00Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。