論文の概要: Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image
Reconstruction from 0.5T MRI
- arxiv url: http://arxiv.org/abs/2305.02509v1
- Date: Thu, 4 May 2023 02:40:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 17:16:54.517883
- Title: Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image
Reconstruction from 0.5T MRI
- Title（参考訳）: 0.5T MRIによる1.5T様画像再構成のためのメタラーニング型スコアベース生成モデル
- Authors: Zhuo-Xu Cui, Congcong Liu, Chentao Cao, Yuanyuan Liu, Jing Cheng,
Qingyong Zhu, Yanjie Zhu, Haifeng Wang, Dong Liang
- Abstract要約: 本稿では,教師の学習機構を活用したメタラーニング手法を提案する。
最適なトランスポート駆動型教師は,高磁場MRI画像から低磁場MR画像への劣化過程を学習する。
そして、スコアベースの学生は、低磁場MRIから高磁場のようなMR像を再構成する逆問題を解決する。
- 参考スコア（独自算出の注目度）: 22.024215676838185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) is known to have reduced signal-to-noise
ratios (SNR) at lower field strengths, leading to signal degradation when
producing a low-field MRI image from a high-field one. Therefore,
reconstructing a high-field-like image from a low-field MRI is a complex
problem due to the ill-posed nature of the task. Additionally, obtaining paired
low-field and high-field MR images is often not practical. We theoretically
uncovered that the combination of these challenges renders conventional deep
learning methods that directly learn the mapping from a low-field MR image to a
high-field MR image unsuitable. To overcome these challenges, we introduce a
novel meta-learning approach that employs a teacher-student mechanism. Firstly,
an optimal-transport-driven teacher learns the degradation process from
high-field to low-field MR images and generates pseudo-paired high-field and
low-field MRI images. Then, a score-based student solves the inverse problem of
reconstructing a high-field-like MR image from a low-field MRI within the
framework of iterative regularization, by learning the joint distribution of
pseudo-paired images to act as a regularizer. Experimental results on real
low-field MRI data demonstrate that our proposed method outperforms
state-of-the-art unpaired learning methods.
- Abstract（参考訳）: 磁気共鳴画像(MRI)は、低磁場強度での信号-雑音比(SNR)を減少させ、高磁場MRI画像を生成する際に信号劣化を引き起こすことが知られている。
したがって、低磁場MRIからの高視野画像の再構成は、タスクの不正な性質のため複雑な問題である。
また,低磁場MR画像と高磁場MR画像のペア取得は実用的ではないことが多い。
理論上,これらの課題の組み合わせは,低視野mr画像から高視野mr画像へのマッピングを直接学習する従来のディープラーニング手法が不適当であることを示す。
これらの課題を克服するために,教師の学習機構を利用した新しいメタラーニング手法を提案する。
まず、最適トランスポート駆動の教師は、高磁場から低磁場MRI画像への劣化過程を学習し、擬似対向高磁場MRI画像を生成する。
そして、スコアベースの学生は、擬似ペア画像の合体分布を学習し、レギュラライザとして作用することにより、反復正規化の枠組み内の低視野mriから高視野様mr画像を再構成する逆問題を解く。
実低磁場MRIデータによる実験結果から,提案手法は最先端の未経験学習法より優れていることが示された。
関連論文リスト
- NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - 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) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Low-field magnetic resonance image enhancement via stochastic image
quality transfer [5.0300525464861385]
低磁場(1T)磁気共鳴イメージング(MRI)スキャナーは、低所得国や中所得国(LMICs)で広く使われている。
低磁場MR画像は通常、高分解能画像(1.5T、3T以上)よりも解像度が低くコントラストが低い。
そこで本研究では、低磁場画像から高磁場で得られた画像から低磁場構造体MRIを推定することにより、画像品質変換(IQT)を提案する。
論文 参考訳（メタデータ） (2023-04-26T08:52:29Z) - A scan-specific unsupervised method for parallel MRI reconstruction via
implicit neural representation [9.388253054229155]
暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。
提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。
良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
論文 参考訳（メタデータ） (2022-10-19T10:16:03Z) - 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) - 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) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳（メタデータ） (2021-03-13T09:58:32Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z)
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。