論文の概要: MRI Field-transfer Reconstruction with Limited Data: Regularization by
Neural Style Transfer
- arxiv url: http://arxiv.org/abs/2308.10968v1
- Date: Mon, 21 Aug 2023 18:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 20:09:12.497989
- Title: MRI Field-transfer Reconstruction with Limited Data: Regularization by
Neural Style Transfer
- Title（参考訳）: 限られたデータによるmriフィールドトランスフォーメーション:ニューラルスタイルトランスフォーメーションによる正規化
- Authors: Guoyao Shen, Yancheng Zhu, Hernan Jara, Sean B. Andersson, Chad W.
Farris, Stephan Anderson, Xin Zhang
- Abstract要約: Denoising (RED) による正規化は、画像再構成の先行として Denoiser を組み込む一般的なパイプラインである。
本稿では,ニューラル・スタイル・トランスファー(RNST)法による正規化手法を提案する。
- 参考スコア（独自算出の注目度）: 1.755209318470883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works have demonstrated success in MRI reconstruction using deep
learning-based models. However, most reported approaches require training on a
task-specific, large-scale dataset. Regularization by denoising (RED) is a
general pipeline which embeds a denoiser as a prior for image reconstruction.
The potential of RED has been demonstrated for multiple image-related tasks
such as denoising, deblurring and super-resolution. In this work, we propose a
regularization by neural style transfer (RNST) method to further leverage the
priors from the neural transfer and denoising engine. This enables RNST to
reconstruct a high-quality image from a noisy low-quality image with different
image styles and limited data. We validate RNST with clinical MRI scans from
1.5T and 3T and show that RNST can significantly boost image quality. Our
results highlight the capability of the RNST framework for MRI reconstruction
and the potential for reconstruction tasks with limited data.
- Abstract（参考訳）: 近年の研究では,深層学習モデルを用いたMRI再建が成功している。
しかし、ほとんどの報告されたアプローチはタスク固有の大規模データセットのトレーニングを必要とする。
Denoising (RED) による正規化は、画像再構成の先行として Denoiser を組み込む一般的なパイプラインである。
redのポテンシャルは、デノイジング、デブラリング、スーパーレゾリューションといった複数の画像関連タスクで実証されている。
本研究では,ニューラル・スタイル・トランスファー(RNST)法による正規化を提案し,ニューラル・スタイル・ニューラル・トランスファーおよびデノナイジング・エンジンの先行点をさらに活用する。
これによりRNSTは、ノイズの多い低画質の画像から、異なる画像スタイルと限られたデータで高品質な画像を再構成することができる。
1.5Tと3Tの臨床MRIでRNSTを評価し,RNSTが画像品質を大幅に向上させることを示した。
以上の結果から,MRI再建のためのRNSTフレームワークの機能と,限られたデータを用いた再建作業の可能性を強調した。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。
提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
論文 参考訳（メタデータ） (2024-07-03T01:37:56Z) - Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。
そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。
提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
論文 参考訳（メタデータ） (2024-03-08T12:07:18Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Spatiotemporal implicit neural representation for unsupervised dynamic
MRI reconstruction [11.661657147506519]
Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。
本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。
提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
論文 参考訳（メタデータ） (2022-12-31T05:43:21Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳（メタデータ） (2022-10-25T08:34:29Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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) - 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) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳（メタデータ） (2021-05-15T02:01:21Z) - 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)
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。