論文の概要: Generalized Implicit Neural Representation for Efficient MRI Parallel Imaging Reconstruction

• arxiv url: http://arxiv.org/abs/2309.06067v7
• Date: Fri, 22 Nov 2024 09:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:01:00.802559
• Title: Generalized Implicit Neural Representation for Efficient MRI Parallel Imaging Reconstruction
• Title（参考訳）: 効率的なMRI並列画像再構成のための汎用的インシシットニューラル表現法
• Authors: Hao Li, Yusheng Zhou, Jianan Liu, Xiling Liu, Tao Huang, Zhihan Lyu, Weidong Cai, Wei Chen,
• Abstract要約: 本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 フレームワークのINRモデルは、完全にサンプリングされたMR画像を空間座標と以前のボクセル固有の特徴の連続関数として扱う。 公開されているMRIデータセットの実験は、複数の加速度因子で画像を再構成する際の提案手法の優れた性能を示す。
• 参考スコア（独自算出の注目度）: 16.63720411275398
• License:
• Abstract: High-resolution magnetic resonance imaging (MRI) is essential in clinical diagnosis. However, its long acquisition time remains a critical issue. Parallel imaging (PI) is a common approach to reduce acquisition time by periodically skipping specific k-space lines and reconstructing images from undersampled data. This study presents a generalized implicit neural representation (INR)-based framework for MRI PI reconstruction, addressing limitations commonly encountered in conventional methods, such as subject-specific or undersampling scale-specific requirements and long reconstruction time. The proposed method overcomes these limitations by leveraging prior knowledge of voxel-specific features and integrating a novel scale-embedded encoder module. This encoder generates scale-independent voxel-specific features from undersampled images, enabling robust reconstruction across various undersampling scales without requiring retraining for each specific scale or subject. The framework's INR model treats fully sampled MR images as a continuous function of spatial coordinates and prior voxel-specific features, efficiently reconstructing high-quality MR images from undersampled data. Extensive experiments on publicly available MRI datasets demonstrate the superior performance of the proposed method in reconstructing images at multiple acceleration factors (4x, 5x, and 6x), achieving higher evaluation metrics and visual fidelity compared to state-of-the-art methods. In terms of efficiency, this INR-based approach exhibits notable advantages, including reduced floating point operations and GPU usage, allowing for accelerated processing times while maintaining high reconstruction quality. The generalized design of the model significantly reduces computational resources and time consumption, making it more suitable for real-time clinical applications.
• Abstract（参考訳）: 高分解能MRIは臨床診断に不可欠である。 しかし、長い買収期間は依然として重要な課題である。 並列イメージング(PI)は、特定のk空間線を周期的にスキップし、アンダーサンプルデータから画像を再構成することで、取得時間を短縮する一般的な手法である。 本研究では,MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は,ボクセル固有の特徴の事前知識を活用し,新しいエンコーダモジュールを組み込むことにより,これらの制約を克服する。 本発明のエンコーダは、アンダーサンプ画像からスケール非依存のボクセル特異な特徴を生成し、特定のスケールや対象ごとに再トレーニングすることなく、様々なアンダーサンプスケールにわたる堅牢な再構築を可能にする。 フレームワークのINRモデルは、完全にサンプリングされたMR画像を空間座標と以前のボクセル固有の特徴の連続関数として扱い、アンダーサンプルデータから高品質なMR画像を効率的に再構成する。 複数のアクセラレーション因子 (4x, 5x, 6x) における画像再構成における提案手法の優れた性能を示し, 現状の手法と比較して高い評価基準と視覚的忠実度を実現した。 効率面では、このINRベースのアプローチは、浮動小数点演算の削減やGPU使用率などの顕著なメリットを示し、高いリコンストラクション品質を維持しながら、処理時間の短縮を実現している。 一般化されたモデルの設計は、計算資源と時間消費を大幅に削減し、リアルタイムの臨床応用により適している。

関連論文リスト

• Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
  高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。 既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。 画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T04:54:04Z)
• On the Foundation Model for Cardiac MRI Reconstruction [6.284878525302227]
  本稿では,適応アンロール,チャネルシフト,パターンとコントラスト-プロンプト-UNetを用いた基礎モデルを提案する。 PCP-UNetは画像コントラストとサンプリングパターンプロンプトを備える。
  論文  参考訳（メタデータ） (2024-11-15T18:15:56Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [7.281993256973667]
  本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。 Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。 実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-11T06:31:56Z)
• Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction [3.9681863841849623]
  我々はMR画像とエッジの両方に固有の個別正規化器を組み込むだけでなく、協調正規化器を強制してそれらの相関を効果的に確立するジョイントエッジ最適化モデルを構築した。 具体的には、エッジ情報を非エッジ確率マップで定義し、最適化プロセス中に画像再構成を誘導する。 一方、画像やエッジに関連するレギュレータは、それぞれ固有のアプリオリ情報を自動的に学習するために、深く展開するネットワークに組み込まれる。
  論文  参考訳（メタデータ） (2024-05-09T05:51:33Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• 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)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• 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)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。