論文の概要: Dual-Domain Multi-Contrast MRI Reconstruction with Synthesis-based
Fusion Network
- arxiv url: http://arxiv.org/abs/2312.00661v1
- Date: Fri, 1 Dec 2023 15:40:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 14:10:17.616957
- Title: Dual-Domain Multi-Contrast MRI Reconstruction with Synthesis-based
Fusion Network
- Title（参考訳）: 合成核融合ネットワークを用いたデュアルドメインマルチコントラストMRI再構成
- Authors: Junwei Yang, Pietro Li\`o
- Abstract要約: 提案手法は,ディープラーニングに基づくアンダーサンプリング対象コントラストの最適化を容易にする。
本手法は,(1)対象コントラストに類似したデータを基準コントラストから合成すること,(2)マルチコントラストデータを登録してスキャン間運動を低減すること,(3)対象コントラストを再構成するための登録データを活用すること,の3つの重要なステップから構成される。
提案手法は,最先端のアルゴリズムと比較して,最大8倍の加速速度を示す。
- 参考スコア（独自算出の注目度）: 8.721677700107639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop an efficient dual-domain reconstruction framework for
multi-contrast MRI, with the focus on minimising cross-contrast misalignment in
both the image and the frequency domains to enhance optimisation. Theory and
Methods: Our proposed framework, based on deep learning, facilitates the
optimisation for under-sampled target contrast using fully-sampled reference
contrast that is quicker to acquire. The method consists of three key steps: 1)
Learning to synthesise data resembling the target contrast from the reference
contrast; 2) Registering the multi-contrast data to reduce inter-scan motion;
and 3) Utilising the registered data for reconstructing the target contrast.
These steps involve learning in both domains with regularisation applied to
ensure their consistency. We also compare the reconstruction performance with
existing deep learning-based methods using a dataset of brain MRI scans.
Results: Extensive experiments demonstrate the superiority of our proposed
framework, for up to an 8-fold acceleration rate, compared to state-of-the-art
algorithms. Comprehensive analysis and ablation studies further present the
effectiveness of the proposed components. Conclusion:Our dual-domain framework
offers a promising approach to multi-contrast MRI reconstruction. It can also
be integrated with existing methods to further enhance the reconstruction.
- Abstract（参考訳）: 目的:マルチコントラストmriのための効率的なデュアルドメイン再構成フレームワークの開発に向けて,画像領域と周波数領域の両方におけるクロスコントラスト不一致を最小化し,最適化を促進することを目的とした。
理論と手法: 深層学習に基づく提案フレームワークは, より高速な完全サンプリング基準コントラストを用いて, アンダーサンプリング対象コントラストの最適化を容易にする。
方法は3つの重要なステップから構成される。
1) 参照コントラストから対象コントラストに類似したデータを合成する学習
2)マルチコントラストデータの登録とスキャン間動作の低減
3) 対象のコントラストを再構築するための登録データの利用
これらのステップには、整合性を確保するために正規化を適用した両方のドメインでの学習が含まれる。
また,脳MRIのデータセットを用いて,再構成性能を既存のディープラーニング手法と比較した。
結果: 最先端アルゴリズムと比較して, 最大8倍の加速率で提案手法の優越性を示す実験を行った。
包括的解析およびアブレーション研究により,提案成分の有効性がさらに示された。
結論:我々のデュアルドメインフレームワークは、マルチコントラストMRI再構成に有望なアプローチを提供する。
また、再建をさらに強化するために既存の方法と統合することもできる。
関連論文リスト
- A Plug-and-Play Method for Guided Multi-contrast MRI Reconstruction based on Content/Style Modeling [1.1622133377827824]
誘導再建のためのモジュラー2段階手法を提案する。
放射線学的な課題として、MUNITは診断品質における臨床再建よりも33.3%の加速を可能にした。
論文 参考訳（メタデータ） (2024-09-20T13:08:51Z) - Deep Unfolding Network with Spatial Alignment for multi-modal MRI
reconstruction [17.41293135114323]
多モードMRI(Multi-modal Magnetic Resonance Imaging)は相補的な診断情報を提供するが、長い走査時間によっていくつかのモダリティが制限される。
取得過程全体を高速化するため、高アンサンプされたk空間データから他の完全サンプリングされた参照モダリティへのMRI再構成は効率的な解である。
モーダリティ間のミスアライメントを考慮に入れた既存のディープラーニングベースの手法は、パフォーマンスが向上するが、しかしながら2つの主要な共通制限を共有している。
論文 参考訳（メタデータ） (2023-12-28T13:02:16Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network
for Multi-contrast MRI [49.29851365978476]
提案フレームワークは,各画像コントラストに対するサンプリングマスク生成器と,コントラスト間相関と繰り返し構造とを併用した再構成器とから構成される。
各画像コントラストの加速度比も学習可能であり、下流タスク性能によって駆動することができる。
論文 参考訳（メタデータ） (2022-10-22T20:46:56Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - Exploring Separable Attention for Multi-Contrast MR Image
Super-Resolution [88.16655157395785]
本稿では,SANet という,分離可能なアテンションネットワーク (優先のアテンションと背景分離のアテンションを含む) を提案する。
補助コントラストの助けを借りて、前後方向の前景と背景領域を探索することができる。
これは、補助コントラストを用いて前景と背景領域を予測する分離可能なアテンションメカニズムを探索する最初のモデルである。
論文 参考訳（メタデータ） (2021-09-03T05:53:07Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳（メタデータ） (2021-08-12T08:46:35Z) - Deep Simultaneous Optimisation of Sampling and Reconstruction for
Multi-contrast MRI [6.981200113164422]
一つのコントラストの最適化サンプリングパターンと再構成スキームを生成するアルゴリズムを提案する。
提案アルゴリズムはPSNRとSSIMの増大を最適サンプリングパターンで達成する。
論文 参考訳（メタデータ） (2021-03-31T00:45:58Z)
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。