論文の概要: Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI
- arxiv url: http://arxiv.org/abs/2306.11977v1
- Date: Wed, 21 Jun 2023 02:08:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 15:06:05.089396
- Title: Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI
- Title（参考訳）: 高精度・高加速度MRIのための拡張複合CNNの符号化
- Authors: Zimeng Li, Sa Xiao, Cheng Wang, Haidong Li, Xiuchao Zhao, Caohui Duan,
Qian Zhou, Qiuchen Rao, Yuan Fang, Junshuai Xie, Lei Shi, Fumin Guo, Chaohui
Ye, Xin Zhou
- Abstract要約: 高アンサンプドリング肺MRI再建のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。
EN2はk空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いる。
また、複雑なk空間データからリッチ表現を学ぶために複雑な畳み込みを用いる。
- 参考スコア（独自算出の注目度）: 19.01554880199602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) using hyperpolarized noble gases provides a
way to visualize the structure and function of human lung, but the long imaging
time limits its broad research and clinical applications. Deep learning has
demonstrated great potential for accelerating MRI by reconstructing images from
undersampled data. However, most existing deep conventional neural networks
(CNN) directly apply square convolution to k-space data without considering the
inherent properties of k-space sampling, limiting k-space learning efficiency
and image reconstruction quality. In this work, we propose an encoding enhanced
(EN2) complex CNN for highly undersampled pulmonary MRI reconstruction. EN2
employs convolution along either the frequency or phase-encoding direction,
resembling the mechanisms of k-space sampling, to maximize the utilization of
the encoding correlation and integrity within a row or column of k-space. We
also employ complex convolution to learn rich representations from the complex
k-space data. In addition, we develop a feature-strengthened modularized unit
to further boost the reconstruction performance. Experiments demonstrate that
our approach can accurately reconstruct hyperpolarized 129Xe and 1H lung MRI
from 6-fold undersampled k-space data and provide lung function measurements
with minimal biases compared with fully-sampled image. These results
demonstrate the effectiveness of the proposed algorithmic components and
indicate that the proposed approach could be used for accelerated pulmonary MRI
in research and clinical lung disease patient care.
- Abstract（参考訳）: 超偏極希ガスを用いた磁気共鳴イメージング(MRI)は、ヒトの肺の構造と機能を可視化する手段を提供するが、長期間のイメージングは幅広い研究と臨床応用を制限する。
深層学習は、アンダーサンプルデータからイメージを再構成することで、MRIを加速させる大きな可能性を示している。
しかし、既存のディープニューラルネットワーク(CNN)は、k空間サンプリングの性質やk空間学習効率の制限、画像再構成品質を考慮せずに、k空間データに直接二乗畳み込みを適用する。
本研究では,高アンサンプ型肺MRI再構成のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。
EN2は、k空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いて、k空間の行または列内の符号化相関と整合性の利用を最大化する。
また、複素k空間データからリッチ表現を学ぶために複素畳み込みを用いる。
さらに,機能強化型モジュール化ユニットを開発し,再構築性能をさらに向上する。
実験により,6次元アンダーサンプドk空間データから過分極19Xeおよび1H肺MRIを正確に再構成し,フルサンプリング画像と比較して肺機能測定を最小限のバイアスで行うことができた。
以上の結果から, 提案手法は, 研究および臨床肺疾患患者の医療において, 肺MRIの高速化に有効であることが示唆された。
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) - 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) - 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) - Simultaneous q-Space Sampling Optimization and Reconstruction for Fast
and High-fidelity Diffusion Magnetic Resonance Imaging [13.002583920505579]
我々は,q空間サンプリング最適化と再構成の同時フレームワークであるSSORを提案する。
我々は、球面調和関数の連続表現と再構成ネットワークを用いて、q空間サンプルのサブセットを共同で最適化する。
拡散磁気共鳴イメージング(dMRI)のユニークな特性を,$l1$-normと全変分正規化を適用して,q領域と画像領域の両方に集積する。
論文 参考訳（メタデータ） (2024-01-03T10:47:20Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
論文 参考訳（メタデータ） (2021-08-17T17:45:51Z) - 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) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z) - Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI
Acquisition [19.422926534305837]
本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。
具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。
ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
論文 参考訳（メタデータ） (2020-01-13T19:01:17Z)
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。