論文の概要: Exploiting Manifold Structured Data Priors for Improved MR
Fingerprinting Reconstruction
- arxiv url: http://arxiv.org/abs/2310.05647v2
- Date: Sat, 14 Oct 2023 02:12:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 02:36:14.124093
- Title: Exploiting Manifold Structured Data Priors for Improved MR
Fingerprinting Reconstruction
- Title(参考訳): MRフィンガープリンティング改善のためのマニフォールド構造データ先行処理
- Authors: Peng Li, Yuping Ji, Yue Hu
- Abstract要約: 本稿では,多様体構造データに基づく新しいMDF再構成フレームワークを提案する。
低次元パラメータ多様体を用いて, 指紋多様体構造が再構成フレームワークに導入されていることを示す。
また, 各パッチ内の局所的相関を更に活用し, 再建性能の向上を図るために, 再建フレームワークに局所的低ランク前処理を組み込んだ。
- 参考スコア(独自算出の注目度): 10.606189381262082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating tissue parameter maps with high accuracy and precision from highly
undersampled measurements presents one of the major challenges in MR
fingerprinting (MRF). Many existing works project the recovered voxel
fingerprints onto the Bloch manifold to improve reconstruction performance.
However, little research focuses on exploiting the latent manifold structure
priors among fingerprints. To fill this gap, we propose a novel MRF
reconstruction framework based on manifold structured data priors. Since it is
difficult to directly estimate the fingerprint manifold structure, we model the
tissue parameters as points on a low-dimensional parameter manifold. We reveal
that the fingerprint manifold shares the same intrinsic topology as the
parameter manifold, although being embedded in different Euclidean spaces. To
exploit the non-linear and non-local redundancies in MRF data, we divide the
MRF data into spatial patches, and the similarity measurement among data
patches can be accurately obtained using the Euclidean distance between the
corresponding patches in the parameter manifold. The measured similarity is
then used to construct the graph Laplacian operator, which represents the
fingerprint manifold structure. Thus, the fingerprint manifold structure is
introduced in the reconstruction framework by using the low-dimensional
parameter manifold. Additionally, we incorporate the locally low-rank prior in
the reconstruction framework to further utilize the local correlations within
each patch for improved reconstruction performance. We also adopt a
GPU-accelerated NUFFT library to accelerate reconstruction in non-Cartesian
sampling scenarios. Experimental results demonstrate that our method can
achieve significantly improved reconstruction performance with reduced
computational time over the state-of-the-art methods.
- Abstract(参考訳): 組織パラメータマップを高精度かつ高精度に推定することはMRフィンガープリント(MRF)における大きな課題の1つとなる。
多くの既存の研究は、復元されたボクセル指紋をブロッホ多様体に投影し、復元性能を向上させる。
しかし、指紋間の潜在多様体構造を利用した研究はほとんどない。
このギャップを埋めるために,多様体構造データに基づく新しいMDF再構成フレームワークを提案する。
指紋多様体構造を直接推定することは困難であるため,組織パラメータを低次元パラメータ多様体上の点としてモデル化する。
フィンガープリント多様体は、異なるユークリッド空間に埋め込まれているにもかかわらず、パラメータ多様体と同じ固有位相を持つ。
mrfデータの非線形および非局所冗長性を利用するため、mrfデータを空間パッチに分割し、パラメータ多様体内の対応するパッチ間のユークリッド距離を用いてデータパッチ間の類似度測定を正確に得ることができる。
測定された類似性は、指紋多様体構造を表すグラフラプラシアン作用素を構成するために使われる。
従って、低次元パラメータ多様体を用いて、再構築フレームワークに指紋多様体構造を導入する。
さらに,各パッチの局所的相関を活用し,復元性能を向上させるために,復元フレームワークに先行する局所的低ランクを組み込んだ。
また,非カーテシアンサンプリングシナリオの再構成を高速化するために,gpuによるnufftライブラリも採用した。
実験の結果,本手法は最先端手法よりも計算時間を短縮し,復元性能を大幅に向上できることがわかった。
関連論文リスト
- Hyperboloid GPLVM for Discovering Continuous Hierarchies via Nonparametric Estimation [41.13597666007784]
次元性低減(DR)は複雑な高次元データの有用な表現を提供する。
最近のDR法は、階層データの忠実な低次元表現を導出する双曲幾何学に焦点を当てている。
本稿では,非パラメトリック推定による暗黙的な連続性を持つ高次元階層データを埋め込むためのhGP-LVMを提案する。
論文 参考訳(メタデータ) (2024-10-22T05:07:30Z) - Isomorphic Pruning for Vision Models [56.286064975443026]
構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。
Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
論文 参考訳(メタデータ) (2024-07-05T16:14:53Z) - A Novel Cross-band CSI Prediction Scheme for Multi-band Fingerprint based Localization [0.0]
本研究では,空間交互一般化予測(SAGE)アルゴリズムに基づいて時間変化パラメータを抽出するシステムを提案する。
次に、可変オートエンコーダ(VAE)を用いて、他のチャネルのチャネル状態情報を再構成した。
論文 参考訳(メタデータ) (2024-05-06T20:44:58Z) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳(メタデータ) (2023-02-17T08:49:09Z) - Design of Compressed Sensing Systems via Density-Evolution Framework for
Structure Recovery in Graphical Models [10.667885727418705]
観測データからベイズネットワークの構造を学習することはNP-Hard問題であることが示されている。
圧縮線形測定システムを最適化するための新しい密度進化に基づくフレームワークを提案する。
GBNの構造は実際に圧縮された測定結果から復元可能であることを示す。
論文 参考訳(メタデータ) (2022-03-17T22:16:38Z) - 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) - Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。
本稿では,これらの問題に対処するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-14T15:50:38Z) - Temporally-Coherent Surface Reconstruction via Metric-Consistent Atlases [131.50372468579067]
再建された表面をニューラルネットワークを用いてアトラスとして表現する。
本手法は,教師なし対応の精度と表面再構成の精度において,その性能を超える結果が得られることを実証的に示す。
論文 参考訳(メタデータ) (2021-04-14T16:21:22Z) - 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment
Feedback Loop [128.07841893637337]
回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。
パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。
本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
論文 参考訳(メタデータ) (2021-03-30T17:07:49Z) - Regularization-Agnostic Compressed Sensing MRI Reconstruction with
Hypernetworks [21.349071909858218]
正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。
実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。
特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
論文 参考訳(メタデータ) (2021-01-06T18:55:37Z) - Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。
我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。
特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
論文 参考訳(メタデータ) (2020-03-17T03:52:17Z)
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。