論文の概要: End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI
- arxiv url: http://arxiv.org/abs/2403.10346v1
- Date: Fri, 15 Mar 2024 14:31:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 16:51:41.549025
- Title: End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI
- Title(参考訳): 心臓MRIにおけるエンド・ツー・エンド適応動的サブサンプリングと再構成
- Authors: George Yiasemis, Jan-Jakob Sonke, Jonas Teuwen,
- Abstract要約: 適応型動的MRIサブサンプリングと再構成のための新しいエンドツーエンドフレームワークを提案する。
我々のパイプラインは、DLベースの適応サンプリング装置を統合し、ケース固有の動的サブサンプリングパターンを生成し、最先端の2D動的再構成ネットワークでエンドツーエンドに訓練する。
以上の結果から,特に高加速度での再現性は良好であった。
- 参考スコア(独自算出の注目度): 6.875699572081067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accelerating dynamic MRI is essential for enhancing clinical applications, such as adaptive radiotherapy, and improving patient comfort. Traditional deep learning (DL) approaches for accelerated dynamic MRI reconstruction typically rely on predefined or random subsampling patterns, applied uniformly across all temporal phases. This standard practice overlooks the potential benefits of leveraging temporal correlations and lacks the adaptability required for case-specific subsampling optimization, which holds the potential for maximizing reconstruction quality. Addressing this gap, we present a novel end-to-end framework for adaptive dynamic MRI subsampling and reconstruction. Our pipeline integrates a DL-based adaptive sampler, generating case-specific dynamic subsampling patterns, trained end-to-end with a state-of-the-art 2D dynamic reconstruction network, namely vSHARP, which effectively reconstructs the adaptive dynamic subsampled data into a moving image. Our method is assessed using dynamic cine cardiac MRI data, comparing its performance against vSHARP models that employ common subsampling trajectories, and pipelines trained to optimize dataset-specific sampling schemes alongside vSHARP reconstruction. Our results indicate superior reconstruction quality, particularly at high accelerations.
- Abstract(参考訳): 動的MRIの加速は、適応放射線療法や患者の快適性向上など、臨床応用の強化に不可欠である。
動的MRI再構成を高速化するための従来のディープラーニング(DL)アプローチは、通常、すべての時間相にわたって一様に適用される事前定義された、あるいはランダムなサブサンプリングパターンに依存している。
この標準手法は、時間的相関を利用した潜在的な利点を見落とし、ケース固有のサブサンプリング最適化に必要な適応性に欠けており、復元品質を最大化する可能性を秘めている。
このギャップに対処するため,適応型動的MRIサブサンプリングと再構成のための新しいエンドツーエンドフレームワークを提案する。
我々のパイプラインは、DLベースの適応型サンプリング装置を統合し、ケース固有の動的サブサンプリングパターンを生成し、最先端の2D動的再構成ネットワークであるvSHARPでエンドツーエンドにトレーニングを行い、適応型動的サブサンプリングデータを移動画像に効果的に再構成する。
本手法は, 一般的なサブサンプリングトラジェクトリを用いたvSHARPモデルと, vSHARP再構成と並行してデータセット固有のサンプリングスキームを最適化するためのパイプラインを比較し, ダイナミックシン心MRIデータを用いて評価する。
以上の結果から,特に高加速度での再現性は良好であった。
関連論文リスト
- Graph Image Prior for Unsupervised Dynamic MRI Reconstruction [7.236298615925248]
Deep Image Prior (DIP) は、Deep Image Prior (DIP) として知られる画像復元の強力な先駆者として機能する。
近年、DIPは非教師なしの動的MRI再構成に利用されており、潜在空間画像空間からの生成モデルを採用している。
本研究では,MRIの動的再構成に先立ってDIPを利用する手法を提案し,GIP (Graph Image Prior) を提案する。
論文 参考訳(メタデータ) (2024-03-23T08:57:46Z) - Unsupervised Adaptive Implicit Neural Representation Learning for
Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。
我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。
提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文 参考訳(メタデータ) (2023-12-01T16:00:16Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - Universal Generative Modeling for Calibration-free Parallel Mr Imaging [13.875986147033002]
キャリブレーションフリー並列MRIのための教師なしディープラーニングフレームワークを提案する。
我々は、ウェーブレット変換と適応的な反復戦略の両方の利点を統一されたフレームワークで活用する。
我々は、ウェーブレットテンソルをネットワーク入力として形成することにより、強力な雑音条件スコアネットワークを訓練する。
論文 参考訳(メタデータ) (2022-01-25T10:05:39Z) - 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) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z) - Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。
訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
論文 参考訳(メタデータ) (2021-08-17T17:45:51Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - 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)
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。