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

• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Multi-IMU with Online Self-Consistency for Freehand 3D Ultrasound Reconstruction [12.097414194618134]
  Freehand 3D USは、複雑さを増すことなくスキャンされた領域をより深く理解する技術である。 標高の変位と累積誤差の推定は依然として困難である。 複数慣性測定ユニット(IMU)を用いた新しいオンライン自己整合ネットワーク(OSCNet)を提案する。
  論文  参考訳（メタデータ） (2023-06-28T13:23:33Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Residual Multiplicative Filter Networks for Multiscale Reconstruction [24.962697695403037]
  我々は,学習した再構成の周波数サポートをきめ細かな制御で粗大な最適化を可能にする,新しい座標ネットワークアーキテクチャとトレーニング手法を提案する。 これらの修正によって、自然画像への粗大なフィッティングのマルチスケール最適化が実現されることを示す。 次に, 単粒子Creo-EM再構成問題に対する合成データセットのモデル評価を行った。
  論文  参考訳（メタデータ） (2022-06-01T20:16:28Z)
• IMDeception: Grouped Information Distilling Super-Resolution Network [7.6146285961466]
  SISR(Single-Image-Super-Resolution)は、ディープラーニング手法の最近の進歩の恩恵を受けている古典的なコンピュータビジョン問題である。 本稿では,機能集約のためのIICモジュールの代替として,GPRM(Global Progressive Refinement Module)を提案する。 また,1秒あたりのパラメータ数や浮動小数点演算量(FLOPS)をさらに削減するために,GIDB(Grouped Information Distilling Blocks)を提案する。 実験の結果,提案したネットワークは,パラメータ数やFLOPSが限られているにもかかわらず,最先端モデルと同等に動作していることがわかった。
  論文  参考訳（メタデータ） (2022-04-25T06:43:45Z)
• Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
  畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。 残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。 我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
  論文  参考訳（メタデータ） (2022-01-28T09:18:43Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• 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)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。