論文の概要: Contrastive Learning MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2306.00530v1
- Date: Thu, 1 Jun 2023 10:29:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 17:04:01.765451
- Title: Contrastive Learning MRI Reconstruction
- Title（参考訳）: コントラスト学習MRI再構成
- Authors: Mevan Ekanayake, Zhifeng Chen, Gary Egan, Mehrtash Harandi, and
Zhaolin Chen
- Abstract要約: 部分的取得したスキャンを持つMRIデータセットに対して,コントラスト学習潜時空間表現を提案する。
この潜伏空間は, MR画像再構成の高速化に有効であることを示す。
- 参考スコア（独自算出の注目度）: 25.603571285448538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: We propose a novel contrastive learning latent space representation
for MRI datasets with partially acquired scans. We show that this latent space
can be utilized for accelerated MR image reconstruction.
Theory and Methods: Our novel framework, referred to as COLADA (stands for
Contrastive Learning for highly accelerated MR image reconstruction), maximizes
the mutual information between differently accelerated images of an MRI scan by
using self-supervised contrastive learning. In other words, it attempts to
"pull" the latent representations of the same scan together and "push" the
latent representations of other scans away. The generated MRI latent space is
subsequently utilized for MR image reconstruction and the performance was
assessed in comparison to several baseline deep learning reconstruction
methods. Furthermore, the quality of the proposed latent space representation
was analyzed using Alignment and Uniformity.
Results: COLADA comprehensively outperformed other reconstruction methods
with robustness to variations in undersampling patterns, pathological
abnormalities, and noise in k-space during inference. COLADA proved the high
quality of reconstruction on unseen data with minimal fine-tuning. The analysis
of representation quality suggests that the contrastive features produced by
COLADA are optimally distributed in latent space.
Conclusion: To the best of our knowledge, this is the first attempt to
utilize contrastive learning on differently accelerated images for MR image
reconstruction. The proposed latent space representation has practical usage
due to a large number of existing partially sampled datasets. This implies the
possibility of exploring self-supervised contrastive learning further to
enhance the latent space of MRI for image reconstruction.
- Abstract（参考訳）: 目的: 部分的取得スキャンを有するMRIデータセットに対して, 新たなコントラスト学習潜在空間表現を提案する。
我々は,この潜伏空間を高速MR画像再構成に利用できることを示す。
理論と方法:我々の新しいフレームワークであるCOLADA(Contrastive Learning for HighAcceled MR画像再構成のためのコントラスト学習)は、自己教師付きコントラスト学習を用いて、MRIスキャンの異なる加速画像間の相互情報を最大化する。
言い換えれば、同じスキャンの潜在表現を一緒に“プル”し、他のスキャンの潜在表現を“プッシュ”しようとするのです。
生成したMRI潜時空間をMR画像再構成に利用し,複数のベースライン深層学習再構成法と比較して評価を行った。
さらに,提案する潜在空間表現の品質をアライメントと一様性を用いて解析した。
結果: コラダは推定中のk空間におけるアンダーサンプリングパターン,病理異常,ノイズの変化に頑健な他の再構成法を包括的に上回った。
COLADAは、最小限の微調整で見えないデータに対して、高い品質の再構築を証明した。
表現品質の分析から,COLADAが生成するコントラスト特徴が潜在空間に最適分布していることが示唆された。
結論:我々の知る限りでは,mr画像再構成に異なる加速度画像を用いたコントラスト学習を利用する最初の試みである。
提案した潜在空間表現は、既存の部分サンプルデータセットが多数存在するため、実用的利用が可能である。
このことは、画像再構成のためのMRIの潜在空間を強化するために、自己教師付きコントラスト学習をさらに探求する可能性を示している。
関連論文リスト
- Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。
既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。
画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:54:04Z) - Variable Resolution Sampling and Deep Learning Image Recovery for Accelerated Multi-Spectral MRI Near Metal Implants [0.0]
金属インプラントの使用の増加は、金属加工物に影響されたMRIスキャンを増大させた。
アンダーサンプルVRデータの深層学習再構成により,SSIM値とPSNR値が有意に向上した。
このアプローチは、スキャン時間を短縮したり、高分解能を実現することで、金属インプラント近傍のMRI検査を強化する可能性がある。
論文 参考訳（メタデータ） (2024-10-30T16:19:06Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - 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) - Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。
これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。
我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T16:19:07Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - 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) - Interpretability Aware Model Training to Improve Robustness against
Out-of-Distribution Magnetic Resonance Images in Alzheimer's Disease
Classification [8.050897403457995]
異なるMRIハードウェアから派生した分布外サンプルに対するロバスト性を改善するために,解釈可能性を考慮した対向訓練システムを提案する。
本報告では, 分布外のサンプルに対して有望な性能を示す予備的な結果を示す。
論文 参考訳（メタデータ） (2021-11-15T04:42:47Z) - 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) - 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。