論文の概要: Towards Architecture-Insensitive Untrained Network Priors for
Accelerated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2312.09988v1
- Date: Fri, 15 Dec 2023 18:01:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 14:43:57.633034
- Title: Towards Architecture-Insensitive Untrained Network Priors for
Accelerated MRI Reconstruction
- Title(参考訳): 高速化mri再構成のためのアーキテクチャ非感受性非トレーニングネットワークプリエントに向けて
- Authors: Yilin Liu, Yunkui Pang, Jiang Li, Yong Chen, Pew-Thian Yap
- Abstract要約: 未トレーニングのニューラルネットワークは、トレーニングのために完全にサンプリングされた測定を必要とせずに、MRIの再構築を可能にした。
特定のアーキテクチャコンポーネントは、パラメータの数に関係なく過度に適合する傾向にあることを観察する。
本稿では,ホワイトノイズ入力の周波数範囲を制約する手法と,ネットワークのリプシッツ定数をペナルティ化する手法を提案する。
- 参考スコア(独自算出の注目度): 15.807565345970351
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Untrained neural networks pioneered by Deep Image Prior (DIP) have recently
enabled MRI reconstruction without requiring fully-sampled measurements for
training. Their success is widely attributed to the implicit regularization
induced by suitable network architectures. However, the lack of understanding
of such architectural priors results in superfluous design choices and
sub-optimal outcomes. This work aims to simplify the architectural design
decisions for DIP-MRI to facilitate its practical deployment. We observe that
certain architectural components are more prone to causing overfitting
regardless of the number of parameters, incurring severe reconstruction
artifacts by hindering accurate extrapolation on the un-acquired measurements.
We interpret this phenomenon from a frequency perspective and find that the
architectural characteristics favoring low frequencies, i.e., deep and narrow
with unlearnt upsampling, can lead to enhanced generalization and hence better
reconstruction. Building on this insight, we propose two architecture-agnostic
remedies: one to constrain the frequency range of the white-noise input and the
other to penalize the Lipschitz constants of the network. We demonstrate that
even with just one extra line of code on the input, the performance gap between
the ill-designed models and the high-performing ones can be closed. These
results signify that for the first time, architectural biases on untrained MRI
reconstruction can be mitigated without architectural modifications.
- Abstract(参考訳): Deep Image Prior (DIP)によって先駆けられた未訓練ニューラルネットワークは、トレーニングのために完全なサンプル計測を必要としないMRI再構成を可能にした。
その成功は、適切なネットワークアーキテクチャによって引き起こされる暗黙の正規化によって広く引き起こされる。
しかし、そのようなアーキテクチャの事前理解の欠如は、過剰な設計選択と準最適結果をもたらす。
本研究の目的は,DIP-MRIのアーキテクチャ設計決定を簡略化し,実用的展開を容易にすることである。
パラメータ数にかかわらず、特定のアーキテクチャコンポーネントが過剰フィッティングを起こしやすいこと、未取得の測定値の正確な外挿を阻害することにより、重大な再構築アーティファクトを発生させることが観察される。
我々は、この現象を周波数の観点から解釈し、低周波を好む建築的特徴、すなわち、理解不能なアップサンプリングを伴う深い狭義の建築的特徴が、一般化とより優れた再構築につながることを見出した。
この知見に基づいて,ホワイトノイズ入力の周波数範囲を制約する手法と,ネットワークのリプシッツ定数をペナライズする手法の2つを提案する。
入力に1行の余分なコードがある場合でも、不設計のモデルとハイパフォーマンスなモデルのパフォーマンスギャップは閉じることができることを実証する。
これらの結果は、非トレーニングMRI再構成におけるアーキテクチャバイアスを、アーキテクチャ修正なしで緩和できることを初めて示す。
関連論文リスト
- Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - 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) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳(メタデータ) (2022-05-09T07:51:54Z) - HUMUS-Net: Hybrid unrolled multi-scale network architecture for
accelerated MRI reconstruction [38.0542877099235]
HUMUS-Netは、暗黙のバイアスと畳み込みの効率を、無ロールでマルチスケールのネットワークにおけるTransformerブロックのパワーと組み合わせたハイブリッドアーキテクチャである。
我々のネットワークは、最も広く公開されているMRIデータセットである高速MRIデータセット上で、新しい最先端技術を確立する。
論文 参考訳(メタデータ) (2022-03-15T19:26:29Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-01-23T21:58:19Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - Regularization-Agnostic Compressed Sensing MRI Reconstruction with
Hypernetworks [21.349071909858218]
正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。
実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。
特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
論文 参考訳(メタデータ) (2021-01-06T18:55:37Z) - Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。
次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。
再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
論文 参考訳(メタデータ) (2020-10-30T19:26:14Z) - Enhanced MRI Reconstruction Network using Neural Architecture Search [22.735244777008422]
残差基本ブロックを用いたMRI再構成ネットワークを提案する。
基本ブロック内の各セルに対して、差別化可能なニューラルアーキテクチャサーチ(NAS)技術を用いて、最適な操作を自動的に選択する。
この新しい異種ネットワークは2つの公開データセットで評価され、現在の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) (2020-08-19T03:44:31Z) - When Residual Learning Meets Dense Aggregation: Rethinking the
Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。
我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文 参考訳(メタデータ) (2020-04-19T08:34:52Z) - Neural Architecture Search for Compressed Sensing Magnetic Resonance
Image Reconstruction [36.636219616998225]
そこで我々は,手作業ではなくNASによるMR画像再構成問題に対して,新しい,効率的なネットワークを提案する。
実験の結果,検索したネットワークは,従来の最先端手法と比較して,より良好な再構成結果が得られることがわかった。
提案手法は, MR再構成問題に対するコストと再構成性能のトレードオフを, 高い一般化性で向上させることができる。
論文 参考訳(メタデータ) (2020-02-22T04:40:16Z)
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。