論文の概要: A Collaborative Model-driven Network for MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2402.03383v2
- Date: Sun, 5 May 2024 13:48:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 23:45:49.730135
- 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, Yuping Huang,
- Abstract要約: 本稿では,様々な正規化器の相補性を生かした協調型モデル駆動ネットワークを提案する。
計算コストを伴わずに最終結果に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: Deep learning (DL)-based methods offer a promising solution to reduce the prolonged scanning time in magnetic resonance imaging (MRI). While model-driven DL methods have demonstrated convincing results by incorporating prior knowledge into deep networks, further exploration is needed to optimize the integration of diverse priors.. Existing model-driven networks typically utilize linearly stacked unrolled cascades to mimic iterative solution steps in optimization algorithms. However, this approach needs to find a balance between different prior-based regularizers during training, resulting in slower convergence and suboptimal reconstructions. To overcome the limitations, we propose a collaborative model-driven network to maximally exploit the complementarity of different regularizers. We design attention modules to learn both the relative confidence (RC) and overall confidence (OC) for the intermediate reconstructions (IRs) generated by different prior-based subnetworks. RC assigns more weight to the areas of expertise of the subnetworks, enabling precise element-wise collaboration. We design correction modules to tackle bottleneck scenarios where both subnetworks exhibit low accuracy, and they further optimize the IRs based on OC maps. IRs across various stages are concatenated and fed to the attention modules to build robust and accurate confidence maps. Experimental results on multiple datasets showed significant improvements in the final results without additional computational costs. Moreover, the proposed model-driven network design strategy can be conveniently applied to various model-driven methods to improve their performance.
- Abstract（参考訳）: ディープラーニング(DL)ベースの手法は、MRI(MRI)における長期走査時間を短縮する有望なソリューションを提供する。
モデル駆動型DL手法は、事前知識を深層ネットワークに組み込むことによって、説得力のある結果を実証する一方で、様々な事前知識の統合を最適化するためには、さらなる探索が必要である。
と。
既存のモデル駆動ネットワークは、最適化アルゴリズムにおいて反復的な解ステップを模倣するために、線形に積み上げられたアンロールカスケードを使用するのが一般的である。
しかし、このアプローチでは、トレーニング中に異なる事前ベース正規化器間のバランスを見つける必要があり、結果として収束が遅くなり、準最適再構成が行われる。
この制限を克服するために、異なる正規化器の相補性を最大限に活用するための協調モデル駆動ネットワークを提案する。
我々は、異なる先行サブネットワークによって生成された中間再構成(IR)に対する相対信頼度(RC)と全体信頼度(OC)の両方を学ぶために、注意モジュールを設計する。
RCはサブネットワークの専門分野により多くの重みを割り当て、正確な要素的協調を可能にする。
我々は、両方のサブネットが低い精度を示すボトルネックシナリオに対処する修正モジュールを設計し、OCマップに基づいてさらにIRを最適化する。
様々なステージにわたるIRは連結され、アテンションモジュールに供給され、堅牢で正確な信頼マップを構築する。
複数のデータセットに対する実験結果から,計算コストを伴わずに最終結果に大きな改善が得られた。
さらに、モデル駆動型ネットワーク設計戦略は、様々なモデル駆動方式に便利に適用でき、性能を向上させることができる。
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。