Fugu-MT 論文翻訳(概要): Deep unrolling Shrinkage Network for Dynamic MR imaging

論文の概要: Deep unrolling Shrinkage Network for Dynamic MR imaging

arxiv url: http://arxiv.org/abs/2307.09818v1
Date: Wed, 19 Jul 2023 08:06:37 GMT
ステータス: 処理完了
システム内更新日: 2023-07-20 14:58:41.498174
Title: Deep unrolling Shrinkage Network for Dynamic MR imaging
Title（参考訳）: ダイナミックMRイメージングのための深絞り収縮網
Authors: Yinghao Zhang, Xiaodi Li, Weihang Li, Yue Hu
Abstract要約: 本稿では,各チャネルの閾値を学習する,チャネルアテンション付きソフトしきい値処理(AST)を提案する。我々は,乗算器の交互方向をアンロールすることで,新しいディープ・アンロール・ストレナージ・ネットワーク(DUS-Net)を提案する。オープンアクセス型動的シネMRデータセットの実験結果から,提案したDUS-Netは最先端の手法よりも優れていることが示された。
参考スコア（独自算出の注目度）: 8.590614722154063
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep unrolling networks that utilize sparsity priors have achieved great success in dynamic magnetic resonance (MR) imaging. The convolutional neural network (CNN) is usually utilized to extract the transformed domain, and then the soft thresholding (ST) operator is applied to the CNN-transformed data to enforce the sparsity priors. However, the ST operator is usually constrained to be the same across all channels of the CNN-transformed data. In this paper, we propose a novel operator, called soft thresholding with channel attention (AST), that learns the threshold for each channel. In particular, we put forward a novel deep unrolling shrinkage network (DUS-Net) by unrolling the alternating direction method of multipliers (ADMM) for optimizing the transformed $l_1$ norm dynamic MR reconstruction model. Experimental results on an open-access dynamic cine MR dataset demonstrate that the proposed DUS-Net outperforms the state-of-the-art methods. The source code is available at \url{https://github.com/yhao-z/DUS-Net}.
Abstract（参考訳）: sparsity priorを利用するディープアンロールネットワークは、動的磁気共鳴(mr)イメージングで大きな成功を収めている。畳み込みニューラルネットワーク(cnn)は、通常、変換された領域を抽出し、その後、ソフトしきい値(st)演算子をcnn変換データに適用してスパーシティ優先を強制する。しかし、ST演算子は、通常、CNN変換データの全チャネルで同じことを制約される。本稿では,各チャネルの閾値を学習するソフトしきい値付きチャネルアテンション(ast)と呼ばれる新しい演算子を提案する。特に,変換された$l_1$ノルム動的mr再構成モデルを最適化するために,乗算器の交互方向法(admm)を展開することにより,新しいディープアンロール型縮小ネットワーク(dus-net)を提案する。オープンアクセス動的シネMRデータセットの実験結果から,提案したDUS-Netは最先端の手法よりも優れていた。ソースコードは \url{https://github.com/yhao-z/dus-net} で入手できる。

関連論文リスト

JotlasNet: Joint Tensor Low-Rank and Attention-based Sparse Unrolling Network for Accelerating Dynamic MRI [6.081607038128913]
動的MRI再構成のための新しいディープアンローリングネットワークJotlasNetを提案する。ダイナミックMRIでは,低ランク・スパースアンローリングネットワークが優れた性能を示した。
論文参考訳（メタデータ） (2025-02-17T12:43:04Z)
Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文参考訳（メタデータ） (2024-12-05T09:41:33Z)
Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文参考訳（メタデータ） (2023-06-08T06:15:17Z)
T2LR-Net: An unrolling network learning transformed tensor low-rank prior for dynamic MR image reconstruction [10.402013638387334]
本稿では、畳み込みニューラルネットワーク(CNN)を用いて、テンソルの低ランクプリエントを活用するために変換されたドメインを適応的に学習するディープ・アンローリング・ネットワークを提案する。教師機構の下では、テンソル低ランク領域の学習は、再構成精度によって直接誘導される。 2つの動的心MRIデータセットの実験により、T2LR-Netは最先端の最適化ベースおよびアンローリングネットワークベースの手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-09-08T14:11:02Z)
Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文参考訳（メタデータ） (2022-08-17T02:01:18Z)
Dynamic MRI using Learned Transform-based Deep Tensor Low-Rank Network (DTLR-Net) [9.658908705889777]
心臓のダイナミックMR画像に先行するテンソルローランクを学習することで,モデルに基づくディープラーニングネットワークを導入する。提案したフレームワークは,最先端のアルゴリズムと比較して,回復率の向上を実現している。
論文参考訳（メタデータ） (2022-06-02T02:55:41Z)
MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文参考訳（メタデータ） (2021-07-22T03:10:51Z)
AutoPruning for Deep Neural Network with Dynamic Channel Masking [28.018077874687343]
深層ニューラルネットワークのための学習に基づくオートプルーニングアルゴリズムを提案する。まず、各層に対する重みと最良チャネルを目的とする2つの目的の問題を定式化する。次に、最適なチャネル数と重みを同時に導出するために、別の最適化手法を提案する。
論文参考訳（メタデータ） (2020-10-22T20:12:46Z)
A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文参考訳（メタデータ） (2020-10-02T11:40:09Z)
Deep Low-rank Prior in Dynamic MR Imaging [30.70648993986445]
本稿では、学習可能な低ランクをディープネットワークアーキテクチャに導入するための2つの新しいスキームを紹介する。本研究では,SLR-Netと呼ばれるダイナミックMRイメージングのためのモデルベースアンローリングスパースとローランクネットワークを提案する。プラグ・アンド・プレイ方式では、他の動的MRニューラルネットワークに簡単に組み込むことができるプラグ・アンド・プレイLRネットワークモジュールを提案する。
論文参考訳（メタデータ） (2020-06-22T09:26:10Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。