論文の概要: End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI

• arxiv url: http://arxiv.org/abs/2403.10346v2
• Date: Fri, 21 Mar 2025 16:26:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:52:41.095636
• 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: 本稿では,MRIフレームワークにおける適応動的サンプリングと再構成(E2E-ADS-Recon)について紹介する。 提案フレームワークは、動的MRIアプリケーションにおけるケース固有サブサンプリング最適化の重要性を強調し、再構成品質を向上させる。
• 参考スコア（独自算出の注目度）: 6.875699572081067
• License:
• Abstract: $\textbf{Background:}$ Accelerating dynamic MRI is vital for advancing clinical applications and improving patient comfort. Commonly, deep learning (DL) methods for accelerated dynamic MRI reconstruction typically rely on uniformly applying non-adaptive predetermined or random subsampling patterns across all temporal frames of the dynamic acquisition. This approach fails to exploit temporal correlations or optimize subsampling on a case-by-case basis. $\textbf{Purpose:}$ To develop an end-to-end approach for adaptive dynamic MRI subsampling and reconstruction, capable of generating customized sampling patterns maximizing at the same time reconstruction quality. $\textbf{Methods:}$ We introduce the End-to-end Adaptive Dynamic Sampling and Reconstruction (E2E-ADS-Recon) for MRI framework, which integrates an adaptive dynamic sampler (ADS) that adapts the acquisition trajectory to each case for a given acceleration factor with a state-of-the-art dynamic reconstruction network, vSHARP, for reconstructing the adaptively sampled data into a dynamic image. The ADS can produce either frame-specific patterns or unified patterns applied to all temporal frames. E2E-ADS-Recon is evaluated under both frame-specific and unified 1D or 2D sampling settings, using dynamic cine cardiac MRI data and compared with vSHARP models employing standard subsampling trajectories, as well as pipelines where ADS was replaced by parameterized samplers optimized for dataset-specific schemes. $\textbf{Results:}$ E2E-ADS-Recon exhibited superior reconstruction quality, especially at high accelerations, in terms of standard quantitative metrics (SSIM, pSNR, NMSE). $\textbf{Conclusion:}$ The proposed framework improves reconstruction quality, highlighting the importance of case-specific subsampling optimization in dynamic MRI applications.
• Abstract（参考訳）: $\textbf{Background:}$ Accelerating dynamic MRIは臨床応用の進歩と患者の快適性向上に不可欠です。 一般的に、動的MRI再構成を高速化するためのディープラーニング(DL)法は、動的取得のすべての時間的フレームにわたって、非適応的またはランダムなサブサンプリングパターンを均一に適用することに依存する。 このアプローチは、時間的相関を利用したり、ケースバイケースでサブサンプリングを最適化するのに失敗する。 $\textbf{Purpose:}$ 適応的な動的MRIサブサンプリングと再構成のためのエンドツーエンドアプローチを開発するために、同時に再構築品質を最大化するカスタマイズされたサンプリングパターンを生成することができる。 適応的動的サンプリングと再構成(E2E-ADS-Recon)をMRIフレームワークに導入し、任意のアクセラレーション係数に対して各ケースに取得軌跡を適応させる適応的動的サンプリング(ADS)と、適応的にサンプリングされたデータを動的イメージに再構成するvSHARPを導入する。 ADSは、フレーム固有のパターンまたはすべての時間フレームに適用される統一パターンを生成することができる。 E2E-ADS-Reconは、動的心臓MRIデータを用いて、フレーム固有の1Dまたは2Dサンプリング設定と統合された2Dサンプリング設定の両方で評価され、標準サブサンプリングトラジェクトリを用いたvSHARPモデルと、データセット固有のスキームに最適化されたパラメータ化サンプリングに置換されたパイプラインを比較した。 $\textbf{Results:}$ E2E-ADS-Reconは、標準的な量的指標(SSIM、pSNR、NMSE)において、特に高い加速において、優れた再構成品質を示した。 $\textbf{Conclusion:}$ 提案されたフレームワークは、動的MRIアプリケーションにおけるケース固有のサブサンプリング最適化の重要性を強調し、再構築品質を改善する。

関連論文リスト

• Dynamic-Aware Spatio-temporal Representation Learning for Dynamic MRI Reconstruction [7.704793488616996]
  InRに基づく動的MRI再構成モデルであるDynamic-Aware INR (DA-INR)を提案する。 画像領域におけるダイナミックMRIデータの空間的・時間的連続性を捉え、データの時間的冗長性をモデル構造に明示的に組み込む。 その結果、DA-INRは極端アンサンプ比でも復元品質で他のモデルより優れる。
  論文  参考訳（メタデータ） (2025-01-15T12:11:33Z)
• Deep End-to-end Adaptive k-Space Sampling, Reconstruction, and Registration for Dynamic MRI [6.875699572081067]
  適応型動的k空間サンプリング,再構成,登録を統合したエンドツーエンドのディープラーニングフレームワークを提案する。 提案するフレームワークは、これらのコンポーネントのプラグアンドプレイ統合を可能にする、特定の再構築および登録モジュールとは独立している。
  論文  参考訳（メタデータ） (2024-11-27T11:38:48Z)
• ReMatching Dynamic Reconstruction Flow [55.272357926111454]
  本稿では,動的再構成モデルに変形前処理を組み込むことにより,一般化品質の向上を目的としたReMatchingフレームワークを提案する。 このフレームワークは高度に適応可能であり、様々な動的表現に適用できる。 合成シーンと実世界のダイナミックシーンの両方を含む一般的なベンチマークの評価は、現在の最先端モデルの再構築精度を明らかに向上させたことを示す。
  論文  参考訳（メタデータ） (2024-11-01T16:09:33Z)
• 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。