論文の概要: Uncertainty Estimation and Propagation in Accelerated MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2308.02631v1
• Date: Fri, 4 Aug 2023 16:41:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 19:26:47.098244
• Title: Uncertainty Estimation and Propagation in Accelerated MRI Reconstruction
• Title（参考訳）: 加速MRI再建における不確かさの推定と伝播
• Authors: Paul Fischer, Thomas K\"ustner, Christian F. Baumgartner
• Abstract要約: 深層学習技術は予期せぬ失敗と幻覚構造で知られている。 十分な校正された不確実性定量化は、臨床実践においてこの技術を安全に活用するための重要な要素となるだろう。 条件付き階層的変分オートエンコーダのアイデアに基づく新しい確率的再構築手法(PHiRec)を提案する。
• 参考スコア（独自算出の注目度）: 1.9392807501735063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: MRI reconstruction techniques based on deep learning have led to unprecedented reconstruction quality especially in highly accelerated settings. However, deep learning techniques are also known to fail unexpectedly and hallucinate structures. This is particularly problematic if reconstructions are directly used for downstream tasks such as real-time treatment guidance or automated extraction of clinical paramters (e.g. via segmentation). Well-calibrated uncertainty quantification will be a key ingredient for safe use of this technology in clinical practice. In this paper we propose a novel probabilistic reconstruction technique (PHiRec) building on the idea of conditional hierarchical variational autoencoders. We demonstrate that our proposed method produces high-quality reconstructions as well as uncertainty quantification that is substantially better calibrated than several strong baselines. We furthermore demonstrate how uncertainties arising in the MR econstruction can be propagated to a downstream segmentation task, and show that PHiRec also allows well-calibrated estimation of segmentation uncertainties that originated in the MR reconstruction process.
• Abstract（参考訳）: 深層学習に基づくMRI再構成技術は、特に高度に加速された環境では、前例のない再構成品質をもたらす。 しかし、ディープラーニング技術は予期せぬ失敗と幻覚構造でも知られている。 リアルタイム治療指導やクリニカルパラマの自動抽出(セグメンテーションなど)といった下流業務に再構築が直接使用される場合、特に問題となる。 適切に調整された不確実性定量化は、臨床でこの技術を安全に利用するための重要な要素となるだろう。 本稿では,条件付き階層型変分オートエンコーダに基づく新しい確率的再構築手法(PHiRec)を提案する。 提案手法は, 高いベースラインよりも精度の高い不確かさの定量化とともに, 高品質な再構成を実現する。 さらに, MRエコンストラクションに生じる不確かさが下流のセグメンテーションタスクにどのように伝播するかを示すとともに, PHiRecは, MR再構成プロセスから生じたセグメンテーションの不確かさを正確に推定できることを示す。

関連論文リスト

• Segmentation-guided MRI reconstruction for meaningfully diverse reconstructions [33.89679056028516]
  加速MRI再構成のような逆問題には問題があり、無限に可能な解が存在している。 この不確実性は主に文献では分析されていないが、確率的復元モデルは一般的に用いられている。 我々は拡散モデルに基づくMRI再構成手法を構築し,上下境界セグメンテーションに対応する有意義な2つの再構成を生成する。
  論文  参考訳（メタデータ） (2024-07-25T13:23:57Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Uncertainty Quantification for Deep Unrolling-Based Computational Imaging [0.0]
  本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。 提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
  論文  参考訳（メタデータ） (2022-07-02T00:22:49Z)
• Rethinking the optimization process for self-supervised model-driven MRI reconstruction [16.5013498806588]
  K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。 統計的に依存したノイズによるネットワークの復元劣化を低減することができる。 5つの最先端の手法よりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-18T03:41:36Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• 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)
• End-to-End AI-based MRI Reconstruction and Lesion Detection Pipeline for Evaluation of Deep Learning Image Reconstruction [1.2649531564873526]
  画像再構成と病理診断のためのエンドツーエンドのディープラーニングフレームワークを提案する。 膝関節MRIにおける半月板断裂の診断に応用した。
  論文  参考訳（メタデータ） (2021-09-23T17:46:08Z)
• 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)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
  我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。 次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。 再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
  論文  参考訳（メタデータ） (2020-10-30T19:26:14Z)

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。