論文の概要: Quantitative Susceptibility Mapping through Model-based Deep Image Prior (MoDIP)

• arxiv url: http://arxiv.org/abs/2308.09467v1
• Date: Fri, 18 Aug 2023 11:07:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 13:27:56.652519
• Title: Quantitative Susceptibility Mapping through Model-based Deep Image Prior (MoDIP)
• Title（参考訳）: モデルベースDeep Image Prior (MoDIP)による定量的サセプティビリティマッピング
• Authors: Zhuang Xiong, Yang Gao, Yin Liu, Amir Fazlollahi, Peter Nestor, Feng Liu, Hongfu Sun
• Abstract要約: モデルベースDeep Image Prior(モデルベースDeep Image Prior)と呼ばれるトレーニング不要なモデルベース教師なし手法を提案する。 MoDIPは、訓練されていない小さなネットワークと、データフィデリティ最適化(DFO)モジュールで構成される。 計算効率は33%向上し、従来のDIPベースのアプローチの4倍高速である。
• 参考スコア（独自算出の注目度）: 10.230055884828445
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The data-driven approach of supervised learning methods has limited applicability in solving dipole inversion in Quantitative Susceptibility Mapping (QSM) with varying scan parameters across different objects. To address this generalization issue in supervised QSM methods, we propose a novel training-free model-based unsupervised method called MoDIP (Model-based Deep Image Prior). MoDIP comprises a small, untrained network and a Data Fidelity Optimization (DFO) module. The network converges to an interim state, acting as an implicit prior for image regularization, while the optimization process enforces the physical model of QSM dipole inversion. Experimental results demonstrate MoDIP's excellent generalizability in solving QSM dipole inversion across different scan parameters. It exhibits robustness against pathological brain QSM, achieving over 32% accuracy improvement than supervised deep learning and traditional iterative methods. It is also 33% more computationally efficient and runs 4 times faster than conventional DIP-based approaches, enabling 3D high-resolution image reconstruction in under 4.5 minutes.
• Abstract（参考訳）: 教師付き学習法のデータ駆動型アプローチは、異なる対象に対して異なるスキャンパラメータを持つ量的感受性マッピング(QSM)における双極子反転の解法に適用可能である。 本稿では,教師付きqsm法における一般化問題に対処するために,トレーニングフリーなモデルベース非教師なし法であるmodip(model-based deep image prior)を提案する。 MoDIPは、訓練されていない小さなネットワークとデータフィデリティ最適化(DFO)モジュールで構成される。 ネットワークは中間状態に収束し、画像正規化の暗黙の先行として機能し、最適化プロセスはQSM双極子反転の物理モデルを実行する。 異なるスキャンパラメータ間のQSM双極子反転の解法におけるMoDIPの優れた一般化性を示す実験結果が得られた。 病理脳QSMに対する堅牢性を示し、教師付きディープラーニングや従来の反復法よりも32%以上の精度の向上を実現している。 また、計算効率が33%向上し、従来のディップベースアプローチの4倍高速で、3d高分解能画像を4.5分以内で再構築できる。

関連論文リスト

• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Optimized Layerwise Approximation for Efficient Private Inference on Fully Homomorphic Encryption [17.010625600442584]
  本研究では、プライバシー保護型ディープニューラルネットワークのための最適化レイヤワイド近似(OLA)フレームワークを提案する。 効率的な近似のために、各アクティベーション関数の実際の入力分布を考慮し、階層的精度を反映する。 その結果、OLA法はResNet-20モデルとResNet-32モデルの推論時間をそれぞれ3.02倍と2.82倍に削減した。
  論文  参考訳（メタデータ） (2023-10-16T12:34:47Z)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
  本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。 これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。 Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2022-07-04T16:35:58Z)
• A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle Correction and Geometric Prior Distillation [7.643154460109723]
  本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。 マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。 各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
  論文  参考訳（メタデータ） (2022-05-14T13:36:27Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)
• Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
  画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。 このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-19T14:26:47Z)
• PaMIR: Parametric Model-Conditioned Implicit Representation for Image-based Human Reconstruction [67.08350202974434]
  本研究では,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたパラメトリックモデル記述型暗黙表現(PaMIR)を提案する。 本手法は, 挑戦的なポーズや衣料品のタイプにおいて, 画像に基づく3次元再構築のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-08T02:26:19Z)
• A Deep Learning based Fast Signed Distance Map Generation [4.298890193377769]
  サイン付き距離マップ(SDM)は、医用画像解析と機械学習における表面の共通表現である。 本稿では,4つの形状パラメータでパラメータ化された3次元コチェリー形状モデルを用いて,学習に基づくSDM生成ニューラルネットワークを提案する。 提案するSDMニューラルネットは,4つの入力パラメータに応じて,コチェリー符号付き距離マップを生成する。
  論文  参考訳（メタデータ） (2020-05-26T12:36:19Z)

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。