論文の概要: Rethinking Dual-Domain Undersampled MRI reconstruction: domain-specific design from the perspective of the receptive field

• arxiv url: http://arxiv.org/abs/2303.10611v2
• Date: Thu, 15 Feb 2024 05:32:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-17 00:11:15.469020
• Title: Rethinking Dual-Domain Undersampled MRI reconstruction: domain-specific design from the perspective of the receptive field
• Title（参考訳）: Dual-Domain Undersampled MRI再構成の再考:受容野の観点からのドメイン固有設計
• Authors: Ziqi Gao, S. Kevin Zhou
• Abstract要約: 二重ドメイン再構築のためのドメイン固有モジュールを提案する。 我々は、MRI再構成の異なる規則の下で、SoTA法DuDoRNetを翻訳することで、モジュールを評価する。 我々のモデルであるDuDoRNet+は、競合するディープラーニング手法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 21.81705484892258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Undersampled MRI reconstruction is crucial for accelerating clinical scanning. Dual-domain reconstruction network is performant among SoTA deep learning methods. In this paper, we rethink dual-domain model design from the perspective of the receptive field, which is needed for image recovery and K-space interpolation problems. Further, we introduce domain-specific modules for dual-domain reconstruction, namely k-space global initialization and image-domain parallel local detail enhancement. We evaluate our modules by translating a SoTA method DuDoRNet under different conventions of MRI reconstruction including image-domain, dual-domain, and reference-guided reconstruction on the public IXI dataset. Our model DuDoRNet+ achieves significant improvements over competing deep learning methods.
• Abstract（参考訳）: アンダーサンプドMRIは臨床スキャンの高速化に不可欠である。 デュアルドメイン再構築ネットワークは,SoTA深層学習手法で実現されている。 本稿では,イメージリカバリやK空間補間問題に必要とされる受容場の観点から,二重領域モデルの設計を再考する。 さらに,dual-domain reconstructionのためのドメイン固有モジュール,すなわちk-space global initializationとimage-domain parallel local detail enhancementを導入する。 我々は,画像領域,デュアルドメイン,リファレンスガイドドリコンストラクションを含むmri再構成の異なる規約の下で,soma法をdudornetで翻訳することでモジュールを評価する。 我々のモデルであるDuDoRNet+は、競合するディープラーニング手法よりも大幅に改善されている。

関連論文リスト

• DSDRNet: Disentangling Representation and Reconstruct Network for Domain Generalization [26.19333812906363]
  本稿ではDSDRNetと呼ばれるデュアルストリーム分離再構成ネットワークを提案する。 これは、二重ストリーム融合を通じて、インスタンス間およびインスタンス内両方の特徴を統合する、アンタングルメント・リコンストラクションのアプローチである。 4つのベンチマークデータセットの実験により、DSDRNetはドメインの一般化能力において他の一般的なメソッド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） (2024-04-22T03:15:42Z)
• DuDoUniNeXt: Dual-domain unified hybrid model for single and multi-contrast undersampled MRI reconstruction [24.937435059755288]
  そこで我々はDuDoUniNeXtを提案する。DuDoUniNeXtは、不在、低品質、高品質な参照画像を含むシナリオに対応可能な、統合されたデュアルドメインMRI再構成ネットワークである。 実験により,提案モデルが最先端のSCモデルとMCモデルを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2024-03-08T12:26:48Z)
• Deep Unfolding Network with Spatial Alignment for multi-modal MRI reconstruction [17.41293135114323]
  多モードMRI(Multi-modal Magnetic Resonance Imaging)は相補的な診断情報を提供するが、長い走査時間によっていくつかのモダリティが制限される。 取得過程全体を高速化するため、高アンサンプされたk空間データから他の完全サンプリングされた参照モダリティへのMRI再構成は効率的な解である。 モーダリティ間のミスアライメントを考慮に入れた既存のディープラーニングベースの手法は、パフォーマンスが向上するが、しかしながら2つの主要な共通制限を共有している。
  論文  参考訳（メタデータ） (2023-12-28T13:02:16Z)
• Fill the K-Space and Refine the Image: Prompting for Dynamic and Multi-Contrast MRI Reconstruction [31.404228406642194]
  ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。 本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。 提案手法は,従来の高速MRI再建法より有意に優れていた。
  論文  参考訳（メタデータ） (2023-09-25T02:51:00Z)
• SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation [100.86339246424541]
  本稿では、識別パラダイムに基づく新しい構造モード制約(SMC) UDA フレームワークを提案し、ドメイン間のブリッジとしてエッジ構造を導入する。 構造に制約のある自己学習とプログレッシブROIでは,エッジの3次元空間構造を見極めることで腎臓を分節する。 実験の結果,提案するSMC-UDAの一般化は良好であり,生成的UDA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T02:57:23Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• 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)
• Specificity-Preserving Federated Learning for MR Image Reconstruction [94.58912814426122]
  統合学習は、磁気共鳴(MR)画像再構成におけるデータのプライバシーと効率を改善するために使用できる。 近年のFL技術は、グローバルモデルの一般化を強化することで、この問題を解決する傾向にある。 MR画像再構成のための特異性保存FLアルゴリズム(FedMRI)を提案する。
  論文  参考訳（メタデータ） (2021-12-09T22:13:35Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Reconstruction and Segmentation of Parallel MR Data using Image Domain DEEP-SLR [25.077510176642807]
  我々は、アンダーサンプリングされたPMRIデータのキャリブレーションレスリカバリのための画像ドメインディープネットワークを提案する。 分割誤りを最小限に抑えるため,提案手法を分割ネットワークと組み合わせ,エンドツーエンドで学習した。 分割誤差の低減に加えて,オーバーフィッティングの低減による再構成性能の向上も実現している。
  論文  参考訳（メタデータ） (2021-02-01T21:15:59Z)

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。