論文の概要: HyperCoil-Recon: A Hypernetwork-based Adaptive Coil Configuration Task
Switching Network for MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2308.04821v1
- Date: Wed, 9 Aug 2023 09:22:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 14:22:27.586425
- Title: HyperCoil-Recon: A Hypernetwork-based Adaptive Coil Configuration Task
Switching Network for MRI Reconstruction
- Title(参考訳): HyperCoil-Recon:MRI再構成のための適応コイル構成変更ネットワーク
- Authors: Sriprabha Ramanarayanan, Mohammad Al Fahim, Rahul G.S., Amrit Kumar
Jethi, Keerthi Ram, Mohanasankar Sivaprakasam
- Abstract要約: HyperCoil-Reconは、MRI再構成のためのハイパーネットワークベースのコイル構成タスクスイッチングネットワークである。
マルチタスクの観点からコイルの数の異なる構成を符号化し、各構成をタスクとして振る舞う。
低い数で訓練された時には、32個のコイルまで見知らぬ様々な構成に適応する。
膝と脳のデータに対するPSNR / SSIMでは、約1dB / 0.03と0.3dB / 0.02の改善マージンを持つ構成不変モデルを上回っている。
- 参考スコア(独自算出の注目度): 1.1744028458220428
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Parallel imaging, a fast MRI technique, involves dynamic adjustments based on
the configuration i.e. number, positioning, and sensitivity of the coils with
respect to the anatomy under study. Conventional deep learning-based image
reconstruction models have to be trained or fine-tuned for each configuration,
posing a barrier to clinical translation, given the lack of computational
resources and machine learning expertise for clinicians to train models at
deployment. Joint training on diverse datasets learns a single weight set that
might underfit to deviated configurations. We propose, HyperCoil-Recon, a
hypernetwork-based coil configuration task-switching network for multi-coil MRI
reconstruction that encodes varying configurations of the numbers of coils in a
multi-tasking perspective, posing each configuration as a task. The
hypernetworks infer and embed task-specific weights into the reconstruction
network, 1) effectively utilizing the contextual knowledge of common and
varying image features among the various fields-of-view of the coils, and 2)
enabling generality to unseen configurations at test time. Experiments reveal
that our approach 1) adapts on the fly to various unseen configurations up to
32 coils when trained on lower numbers (i.e. 7 to 11) of randomly varying
coils, and to 120 deviated unseen configurations when trained on 18
configurations in a single model, 2) matches the performance of coil
configuration-specific models, and 3) outperforms configuration-invariant
models with improvement margins of around 1 dB / 0.03 and 0.3 dB / 0.02 in PSNR
/ SSIM for knee and brain data. Our code is available at
https://github.com/sriprabhar/HyperCoil-Recon
- Abstract(参考訳): 高速MRI技術である並列イメージングは、研究中の解剖学に関してコイルの番号、位置、感度の設定に基づいて動的調整を行う。
従来のディープラーニングベースの画像再構成モデルは、計算リソースの欠如と、デプロイ時にモデルをトレーニングするための機械学習の専門知識を考慮すると、各構成でトレーニングや微調整が必要となる。
多様なデータセットの合同トレーニングは、分散した構成に不適合な単一の重みセットを学習する。
本稿では,マルチコートmri再構成のためのハイパーネットワーク型コイル構成タスクスイッチングネットワークであるhypercoil-reconを提案する。
ハイパーネットワークは、タスク固有の重みをレコンストラクションネットワークに推論し、埋め込む。
1)コイルの様々な視野における共通および異種画像の特徴の文脈知識を効果的に活用すること。
2) テスト時に設定を認識できないようにする。
実験によると我々のアプローチは
1)ランダムに変化するコイルの少ない数(すなわち7から11)で訓練した場合は32個のコイルまで、単一モデルで18個の構成で訓練した場合は120個の無傷な構成に、フライで適応する。
2)コイル構成特定モデルの性能に適合する。
3) 膝および脳データに対するPSNR/SSIMでは,約1dB/0.03,0.3dB/0.02の改善率を有する構成不変モデルよりも優れていた。
私たちのコードはhttps://github.com/sriprabhar/HyperCoil-Reconで利用可能です。
関連論文リスト
- Compute Better Spent: Replacing Dense Layers with Structured Matrices [77.61728033234233]
画像領域における畳み込みネットワークの成功が示すように、高密度行列に対するより効率的な代替手段を同定する。
異なる構造は、しばしばパフォーマンスに不可欠な、非常に異なる初期化尺度と学習率を必要とする。
本稿では,モナール行列を含む新しい行列族Block-Trainを提案する。
論文 参考訳(メタデータ) (2024-06-10T13:25:43Z) - Kronecker-Factored Approximate Curvature for Modern Neural Network
Architectures [85.76673783330334]
線形重み付け層の2つの異なる設定がクロネッカー型近似曲率(K-FAC)の2つの風味を動機付けている
重み付けをそれぞれ設定したディープ・リニア・ネットワークに対して正確であることを示す。
グラフニューラルネットワークと視覚変換器の両方をトレーニングするために、これらの2つのK-FACの違いをほとんど観測しない。
論文 参考訳(メタデータ) (2023-11-01T16:37:00Z) - Generalizing Supervised Deep Learning MRI Reconstruction to Multiple and
Unseen Contrasts using Meta-Learning Hypernetworks [1.376408511310322]
本研究の目的は、画像再構成のためのマルチモーダルなメタラーニングモデルを開発することである。
提案モデルは,モード固有の重みを生成するために進化するハイパーネットである。
MRI再建実験の結果, 関節リコンストラクションの精度は, 関節リコンストラクションよりも優れていた。
論文 参考訳(メタデータ) (2023-07-13T14:22:59Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - An End-To-End-Trainable Iterative Network Architecture for Accelerated
Radial Multi-Coil 2D Cine MR Image Reconstruction [4.233498905999929]
我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。
提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
論文 参考訳(メタデータ) (2021-02-01T11:42:04Z) - MultiCheXNet: A Multi-Task Learning Deep Network For Pneumonia-like
Diseases Diagnosis From X-ray Scans [1.0621485365427565]
MultiCheXNetは、一つの神経アーキテクチャにおいて、肺炎に似た疾患の異なるX線データセットを利用することができる。
私たちのアーキテクチャの共通エンコーダは、異なるタスクに存在する有用な共通機能をキャプチャすることができます。
特殊なデコーダヘッドはタスク固有の特徴をキャプチャできる。
論文 参考訳(メタデータ) (2020-08-05T07:45:24Z) - When Residual Learning Meets Dense Aggregation: Rethinking the
Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。
我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文 参考訳(メタデータ) (2020-04-19T08:34:52Z) - An Adaptive Intelligence Algorithm for Undersampled Knee MRI
Reconstruction [4.5887393876309375]
本稿では,MR 取得を高速化するための適応知能の応用について述べる。
我々は、トレーニングデータから事前の再構成仮定を洗練し、修正するために、ディープニューラルネットワークを採用する。
このネットワークは、Facebook AI ResearchとNYU Langone Healthが主催した2019年の高速MRIチャレンジから、膝のMRIデータセットでトレーニングされ、テストされた。
論文 参考訳(メタデータ) (2020-04-15T20:59:56Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2020-01-06T20:03:17Z) - Prediction of MRI Hardware Failures based on Image Features using
Ensemble Learning [8.889876750552615]
本研究では,20チャンネルのヘッド/ネックコイルの故障を画像計測により予測することに焦点を当てた。
この問題を解決するために、我々は2つの異なるレベルのデータを使用する。1つのレベルはコイルチャネル毎に1次元の特徴を指し、そこで完全に接続されたニューラルネットワークが最高の性能を発揮することを発見した。
他のデータレベルは、全体のコイル状態を表す行列を使用し、異なるニューラルネットワークを供給します。
論文 参考訳(メタデータ) (2020-01-05T11:21:28Z)
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。