論文の概要: Robust MRI Reconstruction by Smoothed Unrolling (SMUG)

• arxiv url: http://arxiv.org/abs/2312.07784v1
• Date: Tue, 12 Dec 2023 22:57:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 17:25:32.014942
• Title: Robust MRI Reconstruction by Smoothed Unrolling (SMUG)
• Title（参考訳）: SMUG(Smoothed Unrolling)によるロバストMRI再建
• Authors: Shijun Liang, Van Hoang Minh Nguyen, Jinghan Jia, Ismail Alkhouri, Sijia Liu, Saiprasad Ravishankar
• Abstract要約: SMUG(Smoothed Unrolling)と呼ばれる新しい画像再構成フレームワークを提案する。 SMUGは、ランダムスムーシング(RS)に基づく頑健な学習アプローチを用いて、ディープアンローリングに基づくMRI再構成モデルを前進させる。 我々は,SMUGがMRI再建の堅牢性を向上させることを示し,様々な不安定源のセットについて述べる。
• 参考スコア（独自算出の注目度）: 18.42785884266972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the popularity of deep learning (DL) in the field of magnetic resonance imaging (MRI) continues to rise, recent research has indicated that DL-based MRI reconstruction models might be excessively sensitive to minor input disturbances, including worst-case additive perturbations. This sensitivity often leads to unstable, aliased images. This raises the question of how to devise DL techniques for MRI reconstruction that can be robust to train-test variations. To address this problem, we propose a novel image reconstruction framework, termed Smoothed Unrolling (SMUG), which advances a deep unrolling-based MRI reconstruction model using a randomized smoothing (RS)-based robust learning approach. RS, which improves the tolerance of a model against input noises, has been widely used in the design of adversarial defense approaches for image classification tasks. Yet, we find that the conventional design that applies RS to the entire DL-based MRI model is ineffective. In this paper, we show that SMUG and its variants address the above issue by customizing the RS process based on the unrolling architecture of a DL-based MRI reconstruction model. Compared to the vanilla RS approach, we show that SMUG improves the robustness of MRI reconstruction with respect to a diverse set of instability sources, including worst-case and random noise perturbations to input measurements, varying measurement sampling rates, and different numbers of unrolling steps. Furthermore, we theoretically analyze the robustness of our method in the presence of perturbations.
• Abstract（参考訳）: 磁気共鳴画像(MRI)の分野でのディープラーニング(DL)の人気が高まっている中、最近の研究では、DLベースのMRI再構成モデルは、最悪の加法摂動を含む小さな入力障害に対して過度に敏感である可能性が示唆されている。 この感度は、しばしば不安定なエイリアス画像に繋がる。 このことは、MRI再建のためのDL技術をどのように考案するかという問題を提起する。 そこで本研究では,ランダム化平滑化(rs)に基づくロバストな学習手法を用いて,深部ローリングに基づくmri再構成モデルを発展させた新しい画像再構成フレームワークであるsmoiseed unrolling (smug)を提案する。 入力ノイズに対するモデルの耐性を向上させるrsは、画像分類タスクの逆防御アプローチの設計において広く使われている。 しかし,従来の DL ベースMRI モデルに RS を適用した設計は効果がないことがわかった。 本稿では、SMUGとその変種が、DLベースMRI再構成モデルのアンロールアーキテクチャに基づいてRSプロセスをカスタマイズすることで、上記の問題に対処できることを示す。 バニラRS法と比較して、SMUGは、入力測定に対する最悪のケースやランダムノイズの摂動、様々な測定サンプリングレート、様々なアンローリングステップを含む様々な不安定源に対して、MRI再構成の堅牢性を改善する。 さらに,摂動の存在下での手法のロバスト性を理論的に解析した。

関連論文リスト

• LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [2.3007720628527104]
  The Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method was proposed。 スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。 MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
  論文  参考訳（メタデータ） (2024-11-05T09:51:59Z)
• DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic Models [11.068359534951783]
  DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。 我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。 その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-12-08T06:11:21Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Diffusion Modeling with Domain-conditioned Prior Guidance for Accelerated MRI and qMRI Reconstruction [3.083408283778178]
  本研究では,ネイティブデータ領域に条件付き拡散モデルに基づく画像再構成手法を提案する。 提案手法は,特に加速係数の高い画像の再構成において,有意義な可能性を証明している。
  論文  参考訳（メタデータ） (2023-09-02T01:33:50Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
  コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。 本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
  論文  参考訳（メタデータ） (2023-06-01T10:29:58Z)
• SMUG: Towards robust MRI reconstruction by smoothed unrolling [18.431095609802654]
  深達度学習(DL)はMRI(Accelerated Magnetic resonance imaging)で大いに人気を博している。 最近の研究では、DLベースのMRI再構成モデルは小さな入力摂動に対して過敏である可能性が示されている。 ランダムスムーシング(RS)に基づく頑健な学習操作を用いた深層展開型MRI再構成モデルであるSMOOTHED UNROLLING(SMUG)を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:21:55Z)
• 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)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• 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)

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。