論文の概要: JSSL: Joint Supervised and Self-supervised Learning for MRI
Reconstruction
- arxiv url: http://arxiv.org/abs/2311.15856v1
- Date: Mon, 27 Nov 2023 14:23:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 15:08:43.758912
- Title: JSSL: Joint Supervised and Self-supervised Learning for MRI
Reconstruction
- Title(参考訳): JSSL:MRI再建のための共同指導と自己指導型学習
- Authors: George Yiasemis, Nikita Moriakov, Clara I. S\'anchez, Jan-Jakob Sonke,
Jonas Teuwen
- Abstract要約: JSSL(Joint Supervised and Self-supervised Learning)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。
本研究は,従来の自己指導型訓練法よりも大幅に改善されたことを示す。
- 参考スコア(独自算出の注目度): 7.043932618116216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging represents an important diagnostic modality;
however, its inherently slow acquisition process poses challenges in obtaining
fully sampled k-space data under motion in clinical scenarios such as
abdominal, cardiac, and prostate imaging. In the absence of fully sampled
acquisitions, which can serve as ground truth data, training deep learning
algorithms in a supervised manner to predict the underlying ground truth image
becomes an impossible task. To address this limitation, self-supervised methods
have emerged as a viable alternative, leveraging available subsampled k-space
data to train deep learning networks for MRI reconstruction. Nevertheless,
these self-supervised approaches often fall short when compared to supervised
methodologies. In this paper, we introduce JSSL (Joint Supervised and
Self-supervised Learning), a novel training approach for deep learning-based
MRI reconstruction algorithms aimed at enhancing reconstruction quality in
scenarios where target dataset(s) containing fully sampled k-space measurements
are unavailable. Our proposed method operates by simultaneously training a
model in a self-supervised learning setting, using subsampled data from the
target dataset(s), and in a supervised learning manner, utilizing data from
other datasets, referred to as proxy datasets, where fully sampled k-space data
is accessible. To demonstrate the efficacy of JSSL, we utilized subsampled
prostate parallel MRI measurements as the target dataset, while employing fully
sampled brain and knee k-space acquisitions as proxy datasets. Our results
showcase a substantial improvement over conventional self-supervised training
methods, thereby underscoring the effectiveness of our joint approach. We
provide a theoretical motivation for JSSL and establish a practical
"rule-of-thumb" for selecting the most appropriate training approach for deep
MRI reconstruction.
- Abstract(参考訳): 磁気共鳴イメージングは重要な診断モードであるが、腹部、心臓、前立腺画像などの臨床シナリオにおいて、本質的に緩やかな取得プロセスは、動作中の完全なk空間データを得るのに困難をもたらす。
基底真理データとして機能する完全サンプル取得がない場合、基礎となる基底真理画像を予測するために教師付き方法でディープラーニングアルゴリズムを訓練することは不可能な課題となる。
この制限に対処するために、MRI再構成のためのディープラーニングネットワークをトレーニングするために利用可能なサブサンプルk空間データを活用する、自己教師付き手法が実現可能な代替手段として登場した。
しかしながら、これらの自己監督的アプローチは、教師付き方法論と比較して、しばしば不足する。
本稿では,完全サンプリングk空間計測を含むターゲットデータセットが利用できないシナリオにおける再構成品質の向上を目的とした,ディープラーニングに基づくMRI再構成アルゴリズムの新しいトレーニング手法であるJSSL(Joint Supervised and Self-supervised Learning)を紹介する。
提案手法は,対象データセットからのサブサンプルデータを用いて,自己教師付き学習環境でモデルを同時に訓練し,また,完全にサンプリングされたk空間のデータにアクセス可能なプロキシデータセットと呼ばれる他のデータセットのデータを活用する。
JSSLの有効性を実証するために,脳と膝のk空間の完全な取得をプロキシデータセットとして使用しながら,サブサンプリングされた前立腺平行MRI計測をターゲットデータセットとして利用した。
本研究は,従来の自己指導型訓練法よりも大幅に改善され,共同アプローチの有効性が強調された。
我々はJSSLの理論的モチベーションを提供し、深部MRI再建のための最も適切なトレーニングアプローチを選択するための実践的な「反動」を確立する。
関連論文リスト
- LESEN: Label-Efficient deep learning for Multi-parametric MRI-based
Visual Pathway Segmentation [5.726588626363204]
ラベル効率のよい自己認識型深層学習法(LESEN)を提案する。
LESENは教師なしと教師なしの損失を取り入れ、生徒と教師のモデルが相互に学習できるようにする。
ヒトコネクトームプロジェクト(HCP)のデータセットを用いた実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2024-01-03T10:22:13Z) - Continual Self-supervised Learning: Towards Universal Multi-modal
Medical Data Representation Learning [36.33882718631217]
自己教師付き学習は、医用画像解析のための効率的な事前学習方法である。
マルチモーダル医療データに対する継続的自己教師型学習手法であるMedCoSSを提案する。
我々は、大規模マルチモーダルなラベルなしデータセット上で、継続的自己教師付き事前学習を行う。
論文 参考訳(メタデータ) (2023-11-29T12:47:42Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - Matrix Completion-Informed Deep Unfolded Equilibrium Models for
Self-Supervised k-Space Interpolation in MRI [8.33626757808923]
正規化モデル駆動型ディープラーニング(DL)は,DLの強力な表現能力を活用する能力から注目されている。
理論的に保証され,完全サンプリングラベルに依存しない加速MRIのための自己教師型DLアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-24T07:25:06Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳(メタデータ) (2022-07-01T14:17:11Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳(メタデータ) (2022-03-14T17:44:53Z) - Self-Supervised Learning for MRI Reconstruction with a Parallel Network
Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。
本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-26T06:09:56Z) - Zero-Shot Self-Supervised Learning for MRI Reconstruction [4.542616945567623]
そこで本研究では,ゼロショット型自己教師型学習手法を提案する。
提案手法は、単一のスキャンから利用可能な測定値を3つの解離集合に分割する。
画像特性の異なるデータベース上に事前学習されたモデルが存在する場合,提案手法は変換学習と組み合わせることで,より高速な収束時間と計算複雑性の低減を実現することができることを示す。
論文 参考訳(メタデータ) (2021-02-15T18:34:38Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。