論文の概要: Attention Hybrid Variational Net for Accelerated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2306.12365v1
- Date: Wed, 21 Jun 2023 16:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 12:51:17.870212
- Title: Attention Hybrid Variational Net for Accelerated MRI Reconstruction
- Title(参考訳): 加速度MRI再構成のための注意ハイブリッド変分ネット
- Authors: Guoyao Shen, Boran Hao, Mengyu Li, Chad W. Farris, Ioannis Ch.
Paschalidis, Stephan W. Anderson, Xin Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.046523233290946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application of compressed sensing (CS)-enabled data reconstruction for
accelerating magnetic resonance imaging (MRI) remains a challenging problem.
This is due to the fact that the information lost in k-space from the
acceleration mask makes it difficult to reconstruct an image similar to the
quality of a fully sampled image. Multiple deep learning-based structures have
been proposed for MRI reconstruction using CS, both in the k-space and image
domains as well as using unrolled optimization methods. However, the drawback
of these structures is that they are not fully utilizing the information from
both domains (k-space and image). Herein, we propose a deep learning-based
attention hybrid variational network that performs learning in both the k-space
and image domain. We evaluate our method on a well-known open-source MRI
dataset and a clinical MRI dataset of patients diagnosed with strokes from our
institution to demonstrate the performance of our network. In addition to
quantitative evaluation, we undertook a blinded comparison of image quality
across networks performed by a subspecialty trained radiologist. Overall, we
demonstrate that our network achieves a superior performance among others under
multiple reconstruction tasks.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)における圧縮センシング(CS)対応データ再構成の適用は依然として難しい課題である。
これは、アクセラレーションマスクからk空間で失われた情報が完全にサンプリングされた画像の品質と類似した画像の再構成を困難にしているためである。
k空間と画像領域の両方において、CSを用いたMRI再構成のための複数の深層学習に基づく構造が提案されている。
しかし、これらの構造の欠点は、両者の情報(k空間と画像)を十分に活用していないことである。
本稿では、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動ネットワークを提案する。
当施設の脳卒中と診断された患者のオープンソースMRIデータセットと臨床MRIデータセットを用いて,我々のネットワークの性能を実証した。
定量的評価に加えて,準専門訓練放射線技師によるネットワーク間の画像品質の比較を行った。
全体として,複数の再構成タスクにおいて,ネットワークの性能が優れていることを示す。
関連論文リスト
- Attention Incorporated Network for Sharing Low-rank, Image and K-space Information during MR Image Reconstruction to Achieve Single Breath-hold Cardiac Cine Imaging [9.531827741901662]
我々は,MRI再構成のための新しい深層学習ネットワークに,低ランク,画像,k空間を含む複数の領域からの情報を埋め込むことを提案する。
A-LIKNetは並列ブランチ構造を採用し、k空間と画像領域で独立した学習を可能にする。
論文 参考訳(メタデータ) (2024-07-03T11:54:43Z) - 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) - 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 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) - Deep Parallel MRI Reconstruction Network Without Coil Sensitivities [4.559089047554929]
並列MRI(pMRI)における高速画像再構成のための頑健な近位勾配スキームをデータからトレーニングした正規化関数にマッピングすることにより,新しいディープニューラルネットワークアーキテクチャを提案する。
提案するネットワークは,不完全なpMRIデータからのマルチコイル画像と均一なコントラストとを適応的に組み合わせることを学び,非線形エンコーダに渡されて画像のスパース特徴を効率的に抽出する。
論文 参考訳(メタデータ) (2020-08-04T08:39:36Z) - 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) - ODE-based Deep Network for MRI Reconstruction [1.569044447685249]
画像品質を向上したMR画像の高速取得を実現するために,MRI再構成のためのODEベースのディープネットワークを提案する。
提案手法は, 標準UNetネットワークとResidualネットワークをベースとした再構成手法と比較して, 高品質な画像を提供できることを示す。
論文 参考訳(メタデータ) (2019-12-27T20:13:30Z)
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。