論文の概要: One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2307.13220v2
• Date: Wed, 28 Feb 2024 11:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 18:49:58.210880
• Title: One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction
• Title（参考訳）: 物理インフォームド・シンセティック・データによる高速MRI画像再構成のための一般化可能な深層学習
• Authors: Zi Wang, Xiaotong Yu, Chengyan Wang, Weibo Chen, Jiazheng Wang, Ying-Hua Chu, Hongwei Sun, Rushuai Li, Peiyong Li, Fan Yang, Haiwei Han, Taishan Kang, Jianzhong Lin, Chen Yang, Shufu Chang, Zhang Shi, Sha Hua, Yan Li, Juan Hu, Liuhong Zhu, Jianjun Zhou, Meijing Lin, Jiefeng Guo, Congbo Cai, Zhong Chen, Di Guo, Guang Yang, Xiaobo Qu
• Abstract要約: Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
• 参考スコア（独自算出の注目度）: 20.84830225817378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance imaging (MRI) is a widely used radiological modality renowned for its radiation-free, comprehensive insights into the human body, facilitating medical diagnoses. However, the drawback of prolonged scan times hinders its accessibility. The k-space undersampling offers a solution, yet the resultant artifacts necessitate meticulous removal during image reconstruction. Although Deep Learning (DL) has proven effective for fast MRI image reconstruction, its broader applicability across various imaging scenarios has been constrained. Challenges include the high cost and privacy restrictions associated with acquiring large-scale, diverse training data, coupled with the inherent difficulty of addressing mismatches between training and target data in existing DL methodologies. Here, we present a novel Physics-Informed Synthetic data learning framework for Fast MRI, called PISF. PISF marks a breakthrough by enabling generalized DL for multi-scenario MRI reconstruction through a single trained model. Our approach separates the reconstruction of a 2D image into many 1D basic problems, commencing with 1D data synthesis to facilitate generalization. We demonstrate that training DL models on synthetic data, coupled with enhanced learning techniques, yields in vivo MRI reconstructions comparable to or surpassing those of models trained on matched realistic datasets, reducing the reliance on real-world MRI data by up to 96%. Additionally, PISF exhibits remarkable generalizability across multiple vendors and imaging centers. Its adaptability to diverse patient populations has been validated through evaluations by ten experienced medical professionals. PISF presents a feasible and cost-effective way to significantly boost the widespread adoption of DL in various fast MRI applications.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、放射線のない、人体への包括的洞察で有名であり、医学的診断を容易にする。 しかし、長いスキャン時間の欠点は、そのアクセシビリティを阻害する。 k-スペースアンダーサンプリングは解決策を提供するが、結果として得られたアーティファクトは画像再構成中に細心の注意を要する。 Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、様々な画像シナリオにまたがる幅広い適用性は制限されている。 課題には、大規模で多様なトレーニングデータを取得することに関連するコストとプライバシの制限、既存のDL方法論におけるトレーニングとターゲットデータのミスマッチに対処することの難しさなどが含まれる。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的なものである。 本手法では, 2次元画像の再構成を多くの1次元基本問題に分離し, 1次元データ合成から一般化を容易にする。 実世界のMRIデータへの依存度を最大96%減らし, 合成データに基づくDLモデルのトレーニング, 強化学習技術, 生体内MRI再構成を, マッチングされた現実的データセットで訓練されたモデルに匹敵するか, あるいはそれを上回る精度で行うことを実証した。 さらに、PISFは、複数のベンダーとイメージングセンターにまたがる顕著な一般化性を示す。 多様な患者に対する適応性は、経験豊富な10人の医療専門家による評価によって検証されている。 PISFは、様々な高速MRIアプリケーションにおけるDLの普及を著しく促進する、実用的で費用対効果の高い方法である。

関連論文リスト

• Training Physics-Driven Deep Learning Reconstruction without Raw Data Access for Equitable Fast MRI [2.512491726995032]
  物理駆動型ディープラーニング(PD-DL)アプローチは、高速磁気共鳴画像(MRI)スキャンの再構築に人気がある。 PD-DLは、既存の高速MRI技術と比較して加速率が高いが、特定のMRIセンター以外での使用は限られている。 それらの展開の障害の1つは、トレーニングセットでよく表現されていない病理や集団への一般化の難しさである。 CUPIDは、生のk空間データアクセスを必要とするよく確立されたPD-DLトレーニング戦略と同じような品質を実現する。
  論文  参考訳（メタデータ） (2024-11-20T03:53:41Z)
• MRPD: Undersampled MRI reconstruction by prompting a large latent diffusion model [18.46762698682188]
  大規模な潜伏拡散モデル(MRPD)を応用したMRI再建のための新しい枠組みを提案する。 教師なし再構成のために、MSSamplerはランダム位相変調されたハード・トゥ・ソフト制御でLLDMを誘導する。 FastMRIとIXIの実験では、MRPDがMRIデータベースのないシナリオとデータベースが利用可能なシナリオの両方をサポートする唯一のモデルであることが示されている。
  論文  参考訳（メタデータ） (2024-02-16T11:54:34Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• Physics-informed Deep Diffusion MRI Reconstruction with Synthetic Data: Break Training Data Bottleneck in Artificial Intelligence [27.618154067389018]
  拡散磁気共鳴イメージング(MRI)は、非侵襲的な水分子の動き検出のための唯一の画像モダリティである。 マルチショット技術によって得られたDWIは,高分解能,信号対雑音比,幾何歪みの低減を実現している。 これらのアーティファクトは将来的に除去できないため、アーティファクトフリーのトレーニングラベルが欠落する。 高品質なペアリング学習データを合成するための物理インフォームド深部DWI再構成法(PIDD)を提案する。
  論文  参考訳（メタデータ） (2022-10-20T16:27:54Z)
• 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)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• Progressively Volumetrized Deep Generative Models for Data-Efficient Contextual Learning of MR Image Recovery [0.0]
  生成モデル(ProvoGAN)のための新しいプログレッシブボリューム化戦略を導入する。 ProvoGANは、複雑なボリューム画像復元タスクを、個別の直交次元にわたってタスク最適化された逐次断面積マッピングに分解する。 メインストリームのMRI再構成と合成タスクに関する総合的なデモでは、ProvoGANは最先端のボリュームモデルとクロスセクションモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-27T18:55:56Z)
• 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)

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。