論文の概要: Optimization-Based Deep learning methods for Magnetic Resonance Imaging
Reconstruction and Synthesis
- arxiv url: http://arxiv.org/abs/2303.01515v1
- Date: Thu, 2 Mar 2023 18:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 17:25:03.094620
- Title: Optimization-Based Deep learning methods for Magnetic Resonance Imaging
Reconstruction and Synthesis
- Title（参考訳）: 磁気共鳴画像再構成・合成のための最適化に基づく深層学習法
- Authors: Wanyu Bian
- Abstract要約: この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。
第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。
第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。
第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This dissertation is devoted to provide advanced nonconvex nonsmooth
variational models of (Magnetic Resonance Image) MRI reconstruction, efficient
learnable image reconstruction algorithms and parameter training algorithms
that improve the accuracy and robustness of the optimization-based deep
learning methods for compressed sensing MRI reconstruction and synthesis. The
first part introduces a novel optimization based deep neural network whose
architecture is inspired by proximal gradient descent for solving a variational
model. The second part is a substantial extension of the preliminary work in
the first part by solving the calibration-free fast pMRI reconstruction problem
in a discrete-time optimal control framework. The third part aims at developing
a generalizable Magnetic Resonance Imaging (MRI) reconstruction method in the
meta-learning framework. The last part aims to synthesize target modality of
MRI by using partially scanned k-space data from source modalities instead of
fully scanned data that is used in the state-of-the-art multimodal synthesis.
- Abstract（参考訳）: この論文は(磁気共鳴画像)mri再構成の高度な非凸非スムース変分モデル、効率的な学習可能な画像再構成アルゴリズム、および圧縮センシングmri再構成と合成のための最適化に基づくディープラーニング法の正確性と堅牢性を向上させるパラメータトレーニングアルゴリズムを提供することに尽力している。
第1部では、変動モデルを解くための近位勾配降下にインスパイアされた、新しい最適化ベースのディープニューラルネットワークを紹介する。
第2部は、離散時間最適制御フレームワークにおける校正不要高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。
第3部は、メタラーニングフレームワークにおけるmri(generalizable magnetic resonance imaging)再構成法の開発を目標としている。
最後の部分は、最先端のマルチモーダル合成に使用される完全にスキャンされたデータの代わりに、ソースモーダルから部分的にスキャンされたk空間データを用いて、MRIのターゲットモダリティを合成することを目的としている。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。
拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
論文 参考訳（メタデータ） (2024-12-25T00:55:05Z) - A Brief Overview of Optimization-Based Algorithms for MRI Reconstruction Using Deep Learning [0.0]
ディープラーニングアルゴリズムの統合は、MRI再構成プロセスを最適化する大きな可能性を秘めている。
この領域における研究の活発化にもかかわらず、MRI再構成に適した最適化に基づくディープラーニングモデルに関する総合的な調査はまだ行われていない。
本稿では,MRI再構成に特化して設計されたディープラーニングにおいて,最新の最適化アルゴリズムを徹底的に検討することにより,このギャップに対処する。
論文 参考訳（メタデータ） (2024-06-03T21:52:50Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Diffusion Modeling with Domain-conditioned Prior Guidance for
Accelerated MRI and qMRI Reconstruction [3.083408283778178]
本研究では,ネイティブデータ領域に条件付き拡散モデルに基づく画像再構成手法を提案する。
提案手法は,特に加速係数の高い画像の再構成において,有意義な可能性を証明している。
論文 参考訳（メタデータ） (2023-09-02T01:33:50Z) - 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) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳（メタデータ） (2022-06-15T03:42:18Z) - Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文 参考訳（メタデータ） (2022-04-05T20:28:42Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z)
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。