論文の概要: CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI
Reconstruction
- arxiv url: http://arxiv.org/abs/2306.11238v3
- Date: Mon, 15 Jan 2024 11:45:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 02:36:38.882023
- Title: CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI
Reconstruction
- Title(参考訳): CAMP-Net: 高速MRI再構成のための一貫性を考慮したマルチピアネットワーク
- Authors: Liping Zhang, Xiaobo Li, and Weitian Chen
- Abstract要約: k空間データをMRIでアンサンプすることでスキャン時間が短縮されるが、画像再構成において課題が生じる。
CAMP-Net は,MRI の高速化のためのアンロール型 Consistency-Aware Multi-Prior Network を提案する。
- 参考スコア(独自算出の注目度): 4.967600587813224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Undersampling k-space data in MRI reduces scan time but pose challenges in
image reconstruction. Considerable progress has been made in reconstructing
accelerated MRI. However, restoration of high-frequency image details in highly
undersampled data remains challenging. To address this issue, we propose
CAMP-Net, an unrolling-based Consistency-Aware Multi-Prior Network for
accelerated MRI reconstruction. CAMP-Net leverages complementary multi-prior
knowledge and multi-slice information from various domains to enhance
reconstruction quality. Specifically, CAMP-Net comprises three interleaved
modules for image enhancement, k-space restoration, and calibration
consistency, respectively. These modules jointly learn priors from data in
image domain, k-domain, and calibration region, respectively, in data-driven
manner during each unrolled iteration. Notably, the encoded calibration prior
knowledge extracted from auto-calibrating signals implicitly guides the
learning of consistency-aware k-space correlation for reliable interpolation of
missing k-space data. To maximize the benefits of image domain and k-domain
prior knowledge, the reconstructions are aggregated in a frequency fusion
module, exploiting their complementary properties to optimize the trade-off
between artifact removal and fine detail preservation. Additionally, we
incorporate a surface data fidelity layer during the learning of k-domain and
calibration domain priors to prevent degradation of the reconstruction caused
by padding-induced data imperfections. We evaluate the generalizability and
robustness of our method on three large public datasets with varying
acceleration factors and sampling patterns. The experimental results
demonstrate that our method outperforms state-of-the-art approaches in terms of
both reconstruction quality and $T_2$ mapping estimation, particularly in
scenarios with high acceleration factors.
- Abstract(参考訳): k空間データをMRIでアンサンプすることでスキャン時間が短縮されるが、画像再構成において課題が生じる。
加速MRIの再建に要する進歩がみられた。
しかし,高アンサンプデータによる高頻度画像の復元は依然として困難である。
この問題に対処するため,我々は,MRI再構成を高速化するアンロール型Consistency-Aware Multi-Prior NetworkであるCAMP-Netを提案する。
CAMP-Netは、補完的なマルチプライオリティ知識と、さまざまなドメインからのマルチスライス情報を活用して、再構築品質を向上させる。
具体的には、CAMP-Netは、画像強調、k空間復元、キャリブレーション整合性の3つのインターリーブモジュールから構成される。
これらのモジュールは、それぞれ画像ドメイン、kドメイン、キャリブレーション領域のデータから、未ロールのイテレーション毎にデータ駆動で事前学習する。
特に、自動調整信号から抽出された符号化キャリブレーション事前知識は、欠落するk空間データの信頼できる補間のための一貫性対応k空間相関の学習を暗黙的に導く。
画像領域とkドメイン事前知識の利点を最大化するために、再構成を周波数融合モジュールに集約し、それらの相補的特性を利用して、アーティファクト除去と細部保存のトレードオフを最適化する。
さらに,kドメイン学習およびキャリブレーション領域事前学習中に表面データ忠実性層を組み込んで,パディングによるデータ不完全化による再構築の劣化を防止する。
加速度係数とサンプリングパターンの異なる3つの大規模公開データセットにおいて,提案手法の一般化性とロバスト性を評価する。
実験の結果,本手法は,特に加速度係数の高いシナリオにおいて,復元品質と$t_2$マッピング推定の両方において最先端の手法よりも優れていることがわかった。
関連論文リスト
- Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with
GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。
提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文 参考訳(メタデータ) (2022-09-19T07:26:45Z) - Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。
我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。
我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
論文 参考訳(メタデータ) (2022-03-29T07:56:55Z) - Specificity-Preserving Federated Learning for MR Image Reconstruction [94.58912814426122]
統合学習は、磁気共鳴(MR)画像再構成におけるデータのプライバシーと効率を改善するために使用できる。
近年のFL技術は、グローバルモデルの一般化を強化することで、この問題を解決する傾向にある。
MR画像再構成のための特異性保存FLアルゴリズム(FedMRI)を提案する。
論文 参考訳(メタデータ) (2021-12-09T22:13:35Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z) - 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) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z) - Joint Calibrationless Reconstruction and Segmentation of Parallel MRI [21.227526213206545]
キャリブレーションレス並列MRI再構成のための新しい画像領域深層学習フレームワークを提案する。
提案した画像領域の深いキャリブレーションレスアプローチとセグメンテーションアルゴリズムの組み合わせにより,画質が向上した。
提案されている数ショットのトレーニング戦略では、パフォーマンス向上のためにセグメント化されたデータセットの10%しか必要としない。
論文 参考訳(メタデータ) (2021-05-19T16:04:20Z) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳(メタデータ) (2021-05-15T02:01:21Z) - 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) - Joint Frequency and Image Space Learning for MRI Reconstruction and
Analysis [7.821429746599738]
本稿では、周波数空間データから再構成するための汎用的なビルディングブロックとして、周波数と画像の特徴表現を明示的に組み合わせたニューラルネットワーク層が利用できることを示す。
提案した共同学習方式により、周波数空間に固有のアーティファクトの補正と画像空間表現の操作を両立させ、ネットワークのすべての層でコヒーレントな画像構造を再構築することができる。
論文 参考訳(メタデータ) (2020-07-02T23:54:46Z) - DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI
Reconstruction with Deep T1 Prior [19.720518236653195]
深部T1を組み込んだDuDoRNet(DuDoRNet)を提案し,k空間と画像の同時復元を行う。
提案手法は常に最先端の手法より優れており,高品質なMRIを再構築することができる。
論文 参考訳(メタデータ) (2020-01-11T21:34:48Z)
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。