論文の概要: Control of a simulated MRI scanner with deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2305.13979v1
• Date: Tue, 23 May 2023 12:02:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 16:50:13.467530
• Title: Control of a simulated MRI scanner with deep reinforcement learning
• Title（参考訳）: 深部強化学習によるシミュレーションMRIスキャナの制御
• Authors: Simon Walker-Samuel
• Abstract要約: 仮想MRIスキャナの制御には深部強化学習(DRL)を用いる。 我々は,この問題を,部分的に再構成された等級画像を用いて画像ファントムの形状を効率的に再構成することを目的としたゲームとして捉えた。 その結果,DRLは仮想MRIスキャナーを誘導して有用な信号を生成し,それらの信号を解釈してファントムの形状を決定するという2つの重要なタスクを完了した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) is a highly versatile and widely used clinical imaging tool. The content of MRI images is controlled by an acquisition sequence, which coordinates the timing and magnitude of the scanner hardware activations, which shape and coordinate the magnetisation within the body, allowing a coherent signal to be produced. The use of deep reinforcement learning (DRL) to control this process, and determine new and efficient acquisition strategies in MRI, has not been explored. Here, we take a first step into this area, by using DRL to control a virtual MRI scanner, and framing the problem as a game that aims to efficiently reconstruct the shape of an imaging phantom using partially reconstructed magnitude images. Our findings demonstrate that DRL successfully completed two key tasks: inducing the virtual MRI scanner to generate useful signals and interpreting those signals to determine the phantom's shape. This proof-of-concept study highlights the potential of DRL in autonomous MRI data acquisition, shedding light on the suitability of DRL for complex tasks, with limited supervision, and without the need to provide human-readable outputs.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、非常に多用途で広く用いられている臨床画像ツールである。 mri画像の内容は、スキャナハードウェアアクティベーションのタイミングと大きさを調整し、体内の磁化を形状および調整し、コヒーレント信号を生成する取得シーケンスによって制御される。 この過程を制御し、mriにおける新しい効率的な獲得戦略を決定するための深層強化学習(drl)の使用は検討されていない。 本稿では、DRLを用いて仮想MRIスキャナーを制御し、部分的に再構成された等級画像を用いて画像ファントムの形状を効率的に再構成することを目的としたゲームとして、この問題に対処する。 その結果,DRLは仮想MRIスキャナーを誘導して有用な信号を生成し,それらの信号を解釈して幻の形状を決定するという2つの重要なタスクを完了した。 この概念実証研究は、自律的なMRIデータ取得におけるDRLの可能性を強調し、複雑なタスクに対するDRLの適合性に光を当て、監督が限定され、人間が読める出力を提供する必要がない。

関連論文リスト

• Advancing MRI Reconstruction: A Systematic Review of Deep Learning and Compressed Sensing Integration [1.167578793004766]
  長期の取得は、患者の不快感、モーションアーティファクト、リアルタイムアプリケーションの制限につながる可能性がある。 深層学習(DL)はMRI再建のための強力なツールである。
  論文  参考訳（メタデータ） (2025-01-24T01:07:58Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Synthetic Brain Images: Bridging the Gap in Brain Mapping With Generative Adversarial Model [0.0]
  本研究では,高忠実かつ現実的なMRI画像スライス作成にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いることを検討した。 判別器ネットワークは、生成されたスライスと実際のスライスを区別するが、ジェネレータネットワークは、現実的なMRI画像スライスを合成することを学ぶ。 ジェネレータは、敵のトレーニングアプローチを通じて、実際のMRIデータを忠実に模倣するスライスを生成する能力を向上させる。
  論文  参考訳（メタデータ） (2024-04-11T05:06:51Z)
• 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)
• 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)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Multi PILOT: Learned Feasible Multiple Acquisition Trajectories for Dynamic MRI [0.7843343739054056]
  本研究では,ダイナミックイメージング環境における獲得学習について考察する。 複数のフレーム単位の取得軌跡の協調最適化のためのエンドツーエンドパイプラインを設計する。 より短い取得時間で画像再構成精度を向上した。
  論文  参考訳（メタデータ） (2023-03-13T14:23:39Z)
• 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)
• 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)
• Machine Learning in Magnetic Resonance Imaging: Image Reconstruction [1.6822770693792823]
  MRI画像再構成の分野では,機械学習の利用が爆発的に増加している。 我々は,MRI再建における現在の機械学習アプローチを要約し,その欠点,臨床応用,現状について考察する。
  論文  参考訳（メタデータ） (2020-12-09T20:38:20Z)

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。