論文の概要: Generalizable Deep Learning Method for Suppressing Unseen and Multiple
MRI Artifacts Using Meta-learning
- arxiv url: http://arxiv.org/abs/2304.06378v1
- Date: Thu, 13 Apr 2023 10:17:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 15:06:12.698021
- Title: Generalizable Deep Learning Method for Suppressing Unseen and Multiple
MRI Artifacts Using Meta-learning
- Title（参考訳）: メタラーニングを用いた画像と複数のMRIアーチファクトの一般化可能な深層学習法
- Authors: Arun Palla, Sriprabha Ramanarayanan, Keerthi Ram and Mohanasankar
Sivaprakasam
- Abstract要約: カリキュラム学習とMAMLを統合し,学習中に複数のアーティファクトの復元を適応的に学習する学習プロセスであるCMAMLを提案する。
CMAMLは、見えない種類の83%に優れたPSNRを示し、すべてのケースでSSIMを改善し、(II)複合アーティファクト(複数アーティファクトを含むスキャン)の5例中4例において、より良いアーティファクト抑制を示す。
- 参考スコア（独自算出の注目度）: 1.376408511310322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic Resonance (MR) images suffer from various types of artifacts due to
motion, spatial resolution, and under-sampling. Conventional deep learning
methods deal with removing a specific type of artifact, leading to separately
trained models for each artifact type that lack the shared knowledge
generalizable across artifacts. Moreover, training a model for each type and
amount of artifact is a tedious process that consumes more training time and
storage of models. On the other hand, the shared knowledge learned by jointly
training the model on multiple artifacts might be inadequate to generalize
under deviations in the types and amounts of artifacts. Model-agnostic
meta-learning (MAML), a nested bi-level optimization framework is a promising
technique to learn common knowledge across artifacts in the outer level of
optimization, and artifact-specific restoration in the inner level. We propose
curriculum-MAML (CMAML), a learning process that integrates MAML with
curriculum learning to impart the knowledge of variable artifact complexity to
adaptively learn restoration of multiple artifacts during training. Comparative
studies against Stochastic Gradient Descent and MAML, using two cardiac
datasets reveal that CMAML exhibits (i) better generalization with improved
PSNR for 83% of unseen types and amounts of artifacts and improved SSIM in all
cases, and (ii) better artifact suppression in 4 out of 5 cases of composite
artifacts (scans with multiple artifacts).
- Abstract（参考訳）: 磁気共鳴(MR)画像は、動き、空間分解能、アンダーサンプリングによる様々な種類の人工物に悩まされる。
従来のディープラーニング手法は、特定の種類のアーティファクトを削除し、アーティファクト間で一般化可能な共有知識を持たない各アーティファクトタイプに対して、個別にトレーニングされたモデルをもたらす。
さらに、各タイプのモデルとアーティファクトの量に関するトレーニングは、モデルのトレーニング時間と保存時間を増やすという面倒なプロセスです。
一方、複数のアーティファクト上でモデルを共同で訓練することで学んだ共有知識は、種類や量の偏りの下で一般化するには不十分かもしれない。
モデルに依存しないメタ学習(maml) ネストした二レベル最適化フレームワークは、外部レベルの最適化と内部レベルでアーティファクト特有の修復において、アーティファクト間の共通知識を学ぶ有望な技術である。
本研究では,MAML とカリキュラム学習を統合したカリキュラムMAML (CMAML) を提案する。
CMAMLが示す2つの心的データセットを用いた確率的グラディエントDescentとMAMLの比較研究
(i)未発見種の83%、アーティファクトの量、およびすべてのケースにおけるssimの改善のためのpsnrの改善によるより良い一般化
(ii)複合アーティファクト(複数のアーティファクトを持つスキャン)の5例中4例でアーティファクト抑制が改善された。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳（メタデータ） (2024-11-26T02:23:31Z) - Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review [0.0]
コーンビームCT(CBCT)における画像品質向上のための深層学習技術
本稿では,3次元のアーティファクトの削減に成功している深層学習技術の概要と,時間分解(4D)CBCTについて概説する。
この研究の重要な発見の1つは、GANやスコアベース、拡散モデルを含む生成モデルの利用に向けた観測傾向である。
論文 参考訳（メタデータ） (2024-03-27T13:46:01Z) - Multi-stage Deep Learning Artifact Reduction for Computed Tomography [0.0]
本稿では,ニューラルネットワークを複数の領域に適用した人工物除去のための多段階ディープラーニング手法を提案する。
ニューラルネットワークは、逐次的に効果的にトレーニングでき、簡単に使用でき、計算的に効率的にトレーニングできることを示す。
論文 参考訳（メタデータ） (2023-09-01T14:40:25Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - An efficient semi-supervised quality control system trained using
physics-based MRI-artefact generators and adversarial training [2.5855676778881334]
医用画像の欠陥を識別する既存の方法は、データ集約的なアプローチに依存している。
この問題に対処するために,4つの主要コンポーネントを持つフレームワークを提案する。
まず、物理に基づくアーティファクト生成装置は、データ拡張のために制御されたアーティファクトを持つ合成脳MRIスキャンを生成する。
第2に、構造MRIのための9つの異なるアーチファクトを識別するために、抽象的および工学的な画像特徴のプールを提案する。
第3に、アーティファクトベースの特徴選択ブロックを使用して、各アーティファクトのクラス毎に、最高の分類性能を提供する機能セットを見つける。
論文 参考訳（メタデータ） (2022-06-07T14:53:35Z) - "One-Shot" Reduction of Additive Artifacts in Medical Images [17.354879155345376]
深層学習の力を利用するワンショット医用画像アーティファクトリダクション(OSAR)について,事前訓練された汎用ネットワークを使わずに紹介する。
具体的には,テスト時に入力画像から合成したデータを用いて,軽量な画像固有アーティファクト削減ネットワークを訓練する。
提案手法は, 試験時間を短縮して, 定性的に, 定量的に, 最先端の工芸品よりも優れた工芸品を削減できることを示す。
論文 参考訳（メタデータ） (2021-10-23T18:35:00Z) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳（メタデータ） (2021-10-09T16:09:27Z) - Multi-Class Zero-Shot Learning for Artistic Material Recognition [68.8204255655161]
Zero-Shot Learning(ZSL)は、トランスファーラーニングの極端な形態であり、トレーニング段階で分類されるデータのラベル付き例は提供されない。
ここでは、作品の主題の英語記述と合成資料との関係を学習することにより、作品が作成された資料を特定するためのモデルについて概説する。
我々は、全く異なる博物館のデータセットから、作品に使われている素材を正確に識別できるモデルを作成する。
論文 参考訳（メタデータ） (2020-10-26T19:04:50Z)
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。