論文の概要: A novel image space formalism of Fourier domain interpolation neural
networks for noise propagation analysis
- arxiv url: http://arxiv.org/abs/2402.17410v1
- Date: Tue, 27 Feb 2024 11:01:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 16:46:37.153845
- Title: A novel image space formalism of Fourier domain interpolation neural
networks for noise propagation analysis
- Title（参考訳）: ノイズ伝搬解析のためのフーリエ領域補間ニューラルネットワークの新たな画像空間形式
- Authors: Peter Dawood, Felix Breuer, Istvan Homolya, Jannik Stebani, Maximilian
Gram, Peter M. Jakob, Moritz Zaiss, Martin Blaimer
- Abstract要約: 我々は、MRI再構成におけるフーリエ領域のための畳み込みニューラルネットワーク(CNN)の画像空間形式を開発する。
画像領域で実行される推論は、k空間における推論と準同一である。
ノイズレジリエンスは、古典的並列画像の場合のように、よく特徴付けられる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop an image space formalism of multi-layer convolutional
neural networks (CNNs) for Fourier domain interpolation in MRI reconstructions
and analytically estimate noise propagation during CNN inference. Theory and
Methods: Nonlinear activations in the Fourier domain (also known as k-space)
using complex-valued Rectifier Linear Units are expressed as elementwise
multiplication with activation masks. This operation is transformed into a
convolution in the image space. After network training in k-space, this
approach provides an algebraic expression for the derivative of the
reconstructed image with respect to the aliased coil images, which serve as the
input tensors to the network in the image space. This allows the variance in
the network inference to be estimated analytically and to be used to describe
noise characteristics. Monte-Carlo simulations and numerical approaches based
on auto-differentiation were used for validation. The framework was tested on
retrospectively undersampled invivo brain images. Results: Inferences conducted
in the image domain are quasi-identical to inferences in the k-space,
underlined by corresponding quantitative metrics. Noise variance maps obtained
from the analytical expression correspond with those obtained via Monte-Carlo
simulations, as well as via an auto-differentiation approach. The noise
resilience is well characterized, as in the case of classical Parallel Imaging.
Komolgorov-Smirnov tests demonstrate Gaussian distributions of voxel magnitudes
in variance maps obtained via Monte-Carlo simulations. Conclusion: The
quasi-equivalent image space formalism for neural networks for k-space
interpolation enables fast and accurate description of the noise
characteristics during CNN inference, analogous to geometry-factor maps in
traditional parallel imaging methods.
- Abstract（参考訳）: 目的:MRI再構成におけるフーリエ領域補間のための多層畳み込みニューラルネットワーク(CNN)の画像空間定式化とCNN推論時の雑音伝搬を解析的に推定する。
理論と方法:複素数値整流器線形単位を用いたフーリエ領域(k-空間としても知られる)の非線形活性化は、活性化マスクとの要素積として表される。
この操作は、画像空間内の畳み込みに変換される。
k-空間でのネットワークトレーニングの後、この手法は、画像空間内のネットワークへの入力テンソルとして機能する、エイリアスコイル画像に対する再構成画像の微分に対する代数的表現を提供する。
これにより、ネットワーク推論のばらつきを解析的に推定し、ノイズ特性を記述することができる。
自動微分に基づくモンテカルロシミュレーションと数値手法を用いて検証を行った。
このフレームワークは、invivoの脳画像の逆行例でテストされた。
結果: 画像領域で実行される推論は、k-空間における推論と準同一性を持ち、対応する量的指標によって導かれる。
解析式から得られたノイズ分散マップは,モンテカルロシミュレーションおよび自動微分法により得られたものに対応する。
ノイズレジリエンスは、古典的並列画像の場合のように、よく特徴付けられる。
コモルゴロフ・スミルノフ実験はモンテカルロシミュレーションにより得られた分散写像におけるボクセル等級のガウス分布を実証した。
結論:k空間補間のためのニューラルネットワークの準同値画像空間形式は、従来の並列画像法における幾何因子写像と類似したcnn推論中のノイズ特性の高速かつ正確な記述を可能にする。
関連論文リスト
- Image segmentation with traveling waves in an exactly solvable recurrent
neural network [71.74150501418039]
繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。
本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。
次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
論文 参考訳（メタデータ） (2023-11-28T16:46:44Z) - Neural Spherical Harmonics for structurally coherent continuous
representation of diffusion MRI signal [0.3277163122167433]
本稿では,ヒト脳の構造的コヒーレンスから恩恵を受ける拡散磁気共鳴画像(dMRI)データセットをモデル化する方法を提案する。
現在の方法では、個々のボクセルのdMRI信号をモデル化し、現在存在するボクセルのコヒーレンスを無視している。
我々は、ニューラルネットワークを用いて、Human Connectome Projectデータセットから1つの対象のdMRI信号を表現するために、球面調和系列をパラメータ化する。
論文 参考訳（メタデータ） (2023-08-16T08:28:01Z) - SO(2) and O(2) Equivariance in Image Recognition with
Bessel-Convolutional Neural Networks [63.24965775030674]
この研究はベッセル畳み込みニューラルネットワーク(B-CNN)の開発を示す
B-CNNは、ベッセル関数に基づく特定の分解を利用して、画像とフィルタの間のキー操作を変更する。
他の手法と比較して,B-CNNの性能を評価するために検討を行った。
論文 参考訳（メタデータ） (2023-04-18T18:06:35Z) - Tangent Bundle Convolutional Learning: from Manifolds to Cellular Sheaves and Back [84.61160272624262]
この畳み込み操作に基づいて,タンジェントバンドルフィルタとタンジェントバンドルニューラルネットワーク(TNN)を定義する。
タンジェントバンドルフィルタは、スカラー多様体フィルタ、グラフフィルタ、標準畳み込みフィルタを連続的に一般化するスペクトル表現を許容する。
提案したアーキテクチャが様々な学習課題に与える影響を数値的に評価する。
論文 参考訳（メタデータ） (2023-03-20T17:57:15Z) - Tensor Factorization via Transformed Tensor-Tensor Product for Image
Alignment [3.0969191504482243]
本研究では,観測画像が未知の領域変換によって変形する線形相関画像アライメントの問題について検討する。
3階テンソルの正面スライスとしてこれらの画像を積み重ねることで,基礎となるテンソルの低ランク性について検討する。
論文 参考訳（メタデータ） (2022-12-12T05:52:26Z) - Analysis of convolutional neural network image classifiers in a
rotationally symmetric model [4.56877715768796]
最適誤分類リスクに対する推定の誤分類リスクの収束率を分析する。
畳み込みニューラルネットワークに基づく最小二乗プラグイン分類器は、二元画像分類における次元性の呪いを回避できることが示されている。
論文 参考訳（メタデータ） (2022-05-11T13:43:13Z) - Moment evolution equations and moment matching for stochastic image
EPDiff [68.97335984455059]
画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。
応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。
パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
論文 参考訳（メタデータ） (2021-10-07T11:08:11Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳（メタデータ） (2021-02-04T02:21:08Z) - Deep Network for Scatterer Distribution Estimation for Ultrasound Image
Simulation [8.13909718726358]
観測された超音波データから確率的散乱器推定のための畳み込みニューラルネットワーク手法を実証する。
いくつかの既存手法と比較して,本手法で推定した散乱器表現から合成した画像が観測値と密接に一致していることが,数値シミュレーションおよびin-vivo画像で実証された。
論文 参考訳（メタデータ） (2020-06-17T21:25:13Z) - Geometric Approaches to Increase the Expressivity of Deep Neural
Networks for MR Reconstruction [41.62169556793355]
高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。
ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。
本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
論文 参考訳（メタデータ） (2020-03-17T14:18:37Z) - Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological
Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。
特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。
合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2020-02-14T10:00:03Z)
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。