論文の概要: PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI
using Deep Pixel Classification
- arxiv url: http://arxiv.org/abs/2303.00111v1
- Date: Tue, 28 Feb 2023 22:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 16:37:16.941361
- Title: PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI
using Deep Pixel Classification
- Title（参考訳）: PixCUE -- Deep Pixel 分類を用いたMRIにおける関節不確かさ推定と画像再構成
- Authors: Mevan Ekanayake, Kamlesh Pawar, Gary Egan, Zhaolin Chen
- Abstract要約: 画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。
提案手法は, 復元誤差と高い相関関係を持つ不確実性マップを生成することを実証する。
PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) models are capable of successfully exploiting latent
representations in MR data and have become state-of-the-art for accelerated MRI
reconstruction. However, undersampling the measurements in k-space as well as
the over- or under-parameterized and non-transparent nature of DL make these
models exposed to uncertainty. Consequently, uncertainty estimation has become
a major issue in DL MRI reconstruction. To estimate uncertainty, Monte Carlo
(MC) inference techniques have become a common practice where multiple
reconstructions are utilized to compute the variance in reconstruction as a
measurement of uncertainty. However, these methods demand high computational
costs as they require multiple inferences through the DL model. To this end, we
introduce a method to estimate uncertainty during MRI reconstruction using a
pixel classification framework. The proposed method, PixCUE (stands for Pixel
Classification Uncertainty Estimation) produces the reconstructed image along
with an uncertainty map during a single forward pass through the DL model. We
demonstrate that this approach generates uncertainty maps that highly correlate
with the reconstruction errors with respect to various MR imaging sequences and
under numerous adversarial conditions. We also show that the estimated
uncertainties are correlated to that of the conventional MC method. We further
provide an empirical relationship between the uncertainty estimations using
PixCUE and well-established reconstruction metrics such as NMSE, PSNR, and
SSIM. We conclude that PixCUE is capable of reliably estimating the uncertainty
in MRI reconstruction with a minimum additional computational cost.
- Abstract（参考訳）: ディープラーニング(DL)モデルはMRデータの潜在表現をうまく活用することができ、MRIの高速化のための最先端技術となっている。
しかし、k空間における測定のアンダーサンプリングと、DLの過度または過度なパラメータ化および非透明性により、これらのモデルは不確実性にさらされる。
その結果, DLMRIでは不確実性評価が大きな問題となっている。
不確実性を推定するために、モンテカルロ(MC)推論技術は、複数の再構成を用いて不確実性の測定として再構成のばらつきを計算する一般的な手法となっている。
しかし、これらの手法はDLモデルを通じて複数の推論を必要とするため、高い計算コストを必要とする。
そこで我々は,画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。
提案手法であるpixcue (stands for pixel classification uncertainty estimation) では,dlモデルによる単一フォワードパス中の不確かさマップとともに再構成画像を生成する。
本研究では,様々なMR画像系列と多数の逆条件下で再構成誤差と高い相関関係を持つ不確実性マップを生成することを示す。
また,推定された不確実性は従来のMC法と相関していることを示す。
さらに,pixcueを用いた不確実性推定とnmse,psnr,ssimなどの確立された再構成指標との経験的関係を示す。
PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
関連論文リスト
- Robust MRI Reconstruction by Smoothed Unrolling (SMUG) [17.391075587858058]
SMUG(Smoothed Unrolling)と呼ばれる新しい画像再構成フレームワークを提案する。
SMUGは、ランダムスムーシング(RS)に基づく頑健な学習アプローチを用いて、ディープアンローリングに基づくMRI再構成モデルを前進させる。
我々は,SMUGがMRI再建の堅牢性を向上させることを示し,様々な不安定源のセットについて述べる。
論文 参考訳（メタデータ） (2023-12-12T22:57:14Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Uncertainty Estimation and Out-of-Distribution Detection for Deep
Learning-Based Image Reconstruction using the Local Lipschitz [9.143327181265976]
画像再構成を含む逆問題の解法として,深層学習に基づく手法が提案されている。
診断のために、与えられた入力がトレーニングデータ分布に該当するかどうかを評価することが不可欠である。
分布外画像と分布内画像とを99.94%の曲線下領域で識別するための局所リプシッツ計量に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-05-12T17:17:01Z) - 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) - Uncertainty Quantification for Deep Unrolling-Based Computational
Imaging [0.0]
本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。
提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
論文 参考訳（メタデータ） (2022-07-02T00:22:49Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Quantifying Sources of Uncertainty in Deep Learning-Based Image
Reconstruction [5.129343375966527]
本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。
本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
論文 参考訳（メタデータ） (2020-11-17T04:12:52Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。