論文の概要: A Collaborative Model-driven Network for MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2402.03383v1
- Date: Sun, 4 Feb 2024 07:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 18:35:12.039948
- Title: A Collaborative Model-driven Network for MRI Reconstruction
- Title(参考訳): MRI再構成のための協調型モデル駆動ネットワーク
- Authors: Xiaoyu Qiao, Weisheng Li, Guofen Wang, and Yuping Huang
- Abstract要約: 本稿では,ディープラーニング手法の性能向上のためのモデル駆動型ネットワークを提案する。
協調型モデル駆動ネットワークは、モデル駆動型ワーク、アテンションモジュール、修正モジュールで構成される。
実験の結果、計算の複雑さが増すことなく大幅な改善が見られた。
- 参考スコア(独自算出の注目度): 9.441882492801174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) is a vital medical imaging modality, but its
development has been limited by prolonged scanning time. Deep learning
(DL)-based methods, which build neural networks to reconstruct MR images from
undersampled raw data, can reliably address this problem. Among these methods,
model-driven DL methods incorporate different prior knowledge into deep
networks, thereby narrowing the solution space and achieving better results.
However, the complementarity among different prior knowledge has not been
thoroughly explored. Most of the existing model-driven networks simply stack
unrolled cascades to mimic iterative solution steps, which are inefficient and
their performances are suboptimal. To optimize the conventional network
structure, we propose a collaborative model-driven network. In the network,
each unrolled cascade comprised three parts: model-driven subnetworks,
attention modules, and correction modules. The attention modules can learn to
enhance the areas of expertise for each subnetwork, and the correction modules
can compensate for new errors caused by the attention modules. The optimized
intermediate results are fed into the next cascade for better convergence.
Experimental results on multiple sequences showed significant improvements in
the final results without additional computational complexity. Moreover, the
proposed model-driven network design strategy can be easily applied to other
model-driven methods to improve their performances.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)は重要な医用画像モダリティであるが、その発達は長い走査時間によって制限されている。
未サンプリングの生データからmr画像を再構成するニューラルネットワークを構築するディープラーニング(dl)ベースの手法は、この問題を確実に解決することができる。
これらの方法のうち、モデル駆動dl法は、異なる事前知識をディープネットワークに取り入れ、ソリューション空間を狭め、より良い結果を得る。
しかし,先行知識の相補性は十分に検討されていない。
既存のモデル駆動ネットワークのほとんどは、反復的なソリューションステップを模倣するために、ロールされていないカスケードを単にスタックするだけです。
従来のネットワーク構造を最適化するために,協調モデル駆動ネットワークを提案する。
ネットワークでは、各アンロールされたカスケードはモデル駆動サブネット、アテンションモジュール、修正モジュールの3つの部分から構成されていた。
注意モジュールは各サブネットワークの専門知識領域を学習し、修正モジュールは注意モジュールによって引き起こされる新たなエラーを補償することができる。
最適化された中間結果は、より良い収束のために次のカスケードに供給される。
数列実験の結果,計算量の増加を伴わずに最終結果に有意な改善が認められた。
さらに,提案するモデル駆動型ネットワーク設計戦略を他のモデル駆動型手法にも容易に適用でき,性能が向上する。
関連論文リスト
- Layer-wise Shared Attention Network on Dynamical System Perspective [69.45492795788167]
本稿では,複数のネットワーク層にまたがって単一の注目モジュールを共有するDIAユニットという,新規かつ簡易なフレームワークを提案する。
当社のフレームワークでは,パラメータコストはレイヤ数とは無関係であり,既存の自己注意モジュールの精度をさらに向上する。
論文 参考訳(メタデータ) (2022-10-27T13:24:08Z) - FAS-UNet: A Novel FAS-driven Unet to Learn Variational Image
Segmentation [3.741136641573471]
本稿では,そのモデルとアルゴリズムを利用してマルチスケールの特徴を抽出する新しい変動モデルインフォームドネットワーク(FAS-Unet)を提案する。
提案するネットワークは,画像データと数理モデルを統合し,いくつかの畳み込みカーネルを学習して実装する。
実験結果から,提案するFAS-Unetは,定性的,定量的,モデル複雑度評価において,他の最先端手法と非常に競合することが示された。
論文 参考訳(メタデータ) (2022-10-27T04:15:16Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳(メタデータ) (2022-05-16T06:49:36Z) - A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle
Correction and Geometric Prior Distillation [7.643154460109723]
本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。
マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。
各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
論文 参考訳(メタデータ) (2022-05-14T13:36:27Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - Dynamic Proximal Unrolling Network for Compressive Sensing Imaging [29.00266254916676]
本稿では,DPUNetと呼ばれる動的近位アンローリングネットワークについて述べる。
具体的には、DPUNetは、勾配降下による埋め込み物理モデルと、学習された動的近位写像による画像のインポーティングの両方を活用できる。
実験結果から,提案したDPUNetは,サンプル比や雑音レベルの異なる複数のCSIモダリティを1つのモデルで効果的に処理できることがわかった。
論文 参考訳(メタデータ) (2021-07-23T03:04:44Z) - An End-To-End-Trainable Iterative Network Architecture for Accelerated
Radial Multi-Coil 2D Cine MR Image Reconstruction [4.233498905999929]
我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。
提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
論文 参考訳(メタデータ) (2021-02-01T11:42:04Z) - Accurate and Lightweight Image Super-Resolution with Model-Guided Deep
Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。
MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。
RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文 参考訳(メタデータ) (2020-09-14T08:23:37Z) - Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。
提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
論文 参考訳(メタデータ) (2020-03-23T17:55:42Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳(メタデータ) (2020-03-13T13:11:35Z)
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。