論文の概要: Non-Cartesian Self-Supervised Physics-Driven Deep Learning
Reconstruction for Highly-Accelerated Multi-Echo Spiral fMRI
- arxiv url: http://arxiv.org/abs/2312.05707v1
- Date: Sat, 9 Dec 2023 23:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 19:11:48.720625
- Title: Non-Cartesian Self-Supervised Physics-Driven Deep Learning
Reconstruction for Highly-Accelerated Multi-Echo Spiral fMRI
- Title(参考訳): 高速マルチエコースパイラルfMRIのための非カルト的自己監督型物理駆動ディープラーニング再構成
- Authors: Hongyi Gu, Chi Zhang, Zidan Yu, Christoph Rettenmeier, V. Andrew
Stenger, Mehmet Ak\c{c}akaya
- Abstract要約: 物理駆動型深層学習(PD-DL)を用いて,マルチエコスパイラルfMRIを10倍高速化することを提案する。
我々は,非モンテカルロ軌道による学習を最適化するための自己教師付き学習アルゴリズムを実現し,PD-DLネットワークのトレーニングに利用した。
- 参考スコア(独自算出の注目度): 2.213603089873724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional MRI (fMRI) is an important tool for non-invasive studies of brain
function. Over the past decade, multi-echo fMRI methods that sample multiple
echo times has become popular with potential to improve quantification. While
these acquisitions are typically performed with Cartesian trajectories,
non-Cartesian trajectories, in particular spiral acquisitions, hold promise for
denser sampling of echo times. However, such acquisitions require very high
acceleration rates for sufficient spatiotemporal resolutions. In this work, we
propose to use a physics-driven deep learning (PD-DL) reconstruction to
accelerate multi-echo spiral fMRI by 10-fold. We modify a self-supervised
learning algorithm for optimized training with non-Cartesian trajectories and
use it to train the PD-DL network. Results show that the proposed
self-supervised PD-DL reconstruction achieves high spatio-temporal resolution
with meaningful BOLD analysis.
- Abstract(参考訳): 機能MRI(Functional MRI)は、脳機能の非侵襲的な研究のための重要なツールである。
過去10年間で、複数のエコー時間をサンプリングするマルチエコーfMRI法が普及し、定量化が進んでいる。
これらの取得は典型的にはカルト軌道を用いて行われるが、非カルト軌道、特にスパイラルな取得はエコー時間のより高密度なサンプリングを約束する。
しかし、このような取得は十分な時空間分解のために非常に高い加速速度を必要とする。
本研究では,物理駆動型ディープラーニング(PD-DL)を用いて,マルチエコスパイラルfMRIを10倍高速化する手法を提案する。
我々は,非モンテカルロ軌道による学習を最適化するための自己教師付き学習アルゴリズムを改良し,PD-DLネットワークのトレーニングに使用する。
提案した自己教師型PD-DL再構成は,BOLD分析による高時空間分解能を実現する。
関連論文リスト
- TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。
本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。
実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
論文 参考訳(メタデータ) (2024-09-19T13:45:13Z) - Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models [0.0]
我々は多コイル高アンサンプドスパイラルMRIのための生成拡散モデルに基づく再構成アルゴリズムを作成する。
超高速スキャン時間(2D画像では0.02秒)で再構成した画像に高品質(構造的類似度 > 0.87)を示す。
論文 参考訳(メタデータ) (2024-04-18T17:40:23Z) - Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳(メタデータ) (2024-03-25T17:40:32Z) - Multi PILOT: Learned Feasible Multiple Acquisition Trajectories for
Dynamic MRI [0.7843343739054056]
本研究では,ダイナミックイメージング環境における獲得学習について考察する。
複数のフレーム単位の取得軌跡の協調最適化のためのエンドツーエンドパイプラインを設計する。
より短い取得時間で画像再構成精度を向上した。
論文 参考訳(メタデータ) (2023-03-13T14:23:39Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - 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) - 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep
Learning Reconstruction [0.487576911714538]
脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。
ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。
本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
論文 参考訳(メタデータ) (2021-05-12T17:39:16Z) - Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised
Deep Learning [0.487576911714538]
自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。
その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。
後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
論文 参考訳(メタデータ) (2021-05-10T17:36:27Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。