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
- NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。
ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。
空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
論文 参考訳(メタデータ) (2024-02-20T18:37:42Z) - 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) - 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) - 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) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - 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) - 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) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳(メタデータ) (2021-03-03T03:04:40Z)
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。