Fugu-MT 論文翻訳(概要): Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction

論文の概要: Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction

arxiv url: http://arxiv.org/abs/2312.00677v1
Date: Fri, 1 Dec 2023 16:00:16 GMT
ステータス: 処理完了
システム内更新日: 2023-12-04 13:56:30.284769
Title: Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction
Title（参考訳）: 走査型MRI再構成のための教師なし適応型命令型ニューラル表現学習
Authors: Junwei Yang, Pietro Li\`o
Abstract要約: アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
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: In recent studies on MRI reconstruction, advances have shown significant promise for further accelerating the MRI acquisition. Most state-of-the-art methods require a large amount of fully-sampled data to optimise reconstruction models, which is impractical and expensive under certain clinical settings. On the other hand, for unsupervised scan-specific reconstruction methods, overfitting is likely to happen due to insufficient supervision, while restrictions on acceleration rates and under-sampling patterns further limit their applicability. To this end, we propose an unsupervised, adaptive coarse-to-fine framework that enhances reconstruction quality without being constrained by the sparsity levels or patterns in under-sampling. The framework employs an implicit neural representation for scan-specific MRI reconstruction, learning a mapping from multi-dimensional coordinates to their corresponding signal intensities. Moreover, we integrate a novel learning strategy that progressively refines the use of acquired k-space signals for self-supervision. This approach effectively adjusts the proportion of supervising signals from unevenly distributed information across different frequency bands, thus mitigating the issue of overfitting while improving the overall reconstruction. Comprehensive evaluation on a public dataset, including both 2D and 3D data, has shown that our method outperforms current state-of-the-art scan-specific MRI reconstruction techniques, for up to 8-fold under-sampling.
Abstract（参考訳）: 最近のMRI再建研究は、MRIの獲得を加速させる大きな可能性を示唆している。ほとんどの最先端の手法は、特定の臨床条件下では非現実的で高価である再構成モデルを最適化するために、大量の完全サンプルデータを必要とする。一方,教師なしのスキャン固有再構成法では,過剰フィッティングは制御不足により発生する可能性が高く,加速速度やアンダーサンプリングパターンの制限により,適用性はさらに制限される。そこで本研究では,スパルシリティレベルやアンダーサンプリングのパターンに制約されることなく,復元品質を向上させるための教師なし,適応的な粒度調整フレームワークを提案する。このフレームワークは、スキャン固有のMRI再構成に暗黙の神経表現を使用し、多次元座標から対応する信号強度へのマッピングを学習する。さらに,獲得したk空間信号の自己超越的利用を段階的に洗練する新たな学習戦略を統合する。このアプローチは、異なる周波数帯域にわたる不均一な分散情報からの監視信号の割合を効果的に調整し、全体的な再構成を改善しながら過度に適合する問題を緩和する。 2次元データと3次元データの両方を含む公開データセットの総合的な評価により,本手法は8倍のアンダーサンプリングにおいて,現在最先端のスキャン固有のMRI再構成技術より優れていることが示された。

関連論文リスト

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)
Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文参考訳（メタデータ） (2023-02-18T06:11:49Z)
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)
Rethinking the optimization process for self-supervised model-driven MRI reconstruction [16.5013498806588]
K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。統計的に依存したノイズによるネットワークの復元劣化を低減することができる。 5つの最先端の手法よりも優れた結果が得られる。
論文参考訳（メタデータ） (2022-03-18T03:41:36Z)
Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。観測された信号に基づいて生成過程を導出する。特定の加速因子に関する追加の訓練は必要としない。
論文参考訳（メタデータ） (2022-03-08T02:25:38Z)
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)
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)
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)
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)
Unsupervised MRI Reconstruction with Generative Adversarial Networks [14.253509181850502]
生成的対向ネットワークを用いた完全サンプリングデータのないMRI再構成のためのディープラーニングフレームワークを提案する。提案手法を2つのシナリオで検証し, 高速スピンエコー膝試験と前向きアンサンプド腹部DCEの2つのシナリオについて検討した。
論文参考訳（メタデータ） (2020-08-29T22:00:49Z)

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。