論文の概要: NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation
- arxiv url: http://arxiv.org/abs/2404.04550v1
- Date: Sat, 6 Apr 2024 08:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 20:39:11.485117
- Title: NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation
- Title（参考訳）: NPB-REC : 不確かさ推定を用いたアンダーサンプルMRIにおける非パラメトリックベイズディープラーニングアプローチ
- Authors: Samah Khawaled, Moti Freiman,
- Abstract要約: NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。
トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。
提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
- 参考スコア（独自算出の注目度）: 2.6089354079273512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to reconstruct high-quality images from undersampled MRI data is vital in improving MRI temporal resolution and reducing acquisition times. Deep learning methods have been proposed for this task, but the lack of verified methods to quantify the uncertainty in the reconstructed images hampered clinical applicability. We introduce "NPB-REC", a non-parametric fully Bayesian framework, for MRI reconstruction from undersampled data with uncertainty estimation. We use Stochastic Gradient Langevin Dynamics during training to characterize the posterior distribution of the network parameters. This enables us to both improve the quality of the reconstructed images and quantify the uncertainty in the reconstructed images. We demonstrate the efficacy of our approach on a multi-coil MRI dataset from the fastMRI challenge and compare it to the baseline End-to-End Variational Network (E2E-VarNet). Our approach outperforms the baseline in terms of reconstruction accuracy by means of PSNR and SSIM ($34.55$, $0.908$ vs. $33.08$, $0.897$, $p<0.01$, acceleration rate $R=8$) and provides uncertainty measures that correlate better with the reconstruction error (Pearson correlation, $R=0.94$ vs. $R=0.91$). Additionally, our approach exhibits better generalization capabilities against anatomical distribution shifts (PSNR and SSIM of $32.38$, $0.849$ vs. $31.63$, $0.836$, $p<0.01$, training on brain data, inference on knee data, acceleration rate $R=8$). NPB-REC has the potential to facilitate the safe utilization of deep learning-based methods for MRI reconstruction from undersampled data. Code and trained models are available at \url{https://github.com/samahkh/NPB-REC}.
- Abstract（参考訳）: アンサンプされたMRIデータから高品質な画像を再構成する能力は、MRIの時間分解能の向上と取得時間の短縮に不可欠である。
この課題に対して深層学習法が提案されているが,再構成画像の不確かさを定量化するための検証方法の欠如が臨床応用を妨げている。
非パラメトリック完全ベイズフレームワークであるNPB-RECを導入し,不確実性を考慮したアンサンプドデータからのMRI再構成を行った。
ネットワークパラメータの後方分布を特徴付けるために,Stochastic Gradient Langevin Dynamics を用いて訓練を行った。
これにより、再構成画像の品質を向上し、再構成画像の不確かさを定量化できる。
我々は,高速MRI課題から得られたマルチコイルMRIデータセットに対するアプローチの有効性を実証し,ベースラインであるEnd-to-End Variational Network (E2E-VarNet)と比較した。
提案手法は,PSNR と SSIM (34.55$,$0.908$ vs. $33.08$,$0.897$,$p<0.01$,Acceler rate $R=8$) による復元精度の基準値よりも優れ,復元誤差と相関する不確実性対策(ピアソン相関,$R=0.94$,$R=0.91$)を提供する。
さらに,本手法は解剖学的分布シフトに対して,より優れた一般化能力を示す(PSNRとSSIMは32.38ドル,0.849ドル対$1.63ドル,$0.836ドル,$0.836ドル,$p<0.01ドル,脳データトレーニング,膝データ推論,アクセラレーションレート$R=8ドル)。
NPB-RECは、アンダーサンプルデータからのMRI再構成のためのディープラーニングベースの手法の安全な利用を促進する可能性がある。
コードとトレーニングされたモデルは、 \url{https://github.com/samahkh/NPB-REC}で入手できる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。
提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
論文 参考訳（メタデータ） (2024-07-03T01:37:56Z) - Cine cardiac MRI reconstruction using a convolutional recurrent network
with refinement [9.173298795526152]
心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。
これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。
提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
論文 参考訳（メタデータ） (2023-09-23T14:07:04Z) - A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。
MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
論文 参考訳（メタデータ） (2022-08-26T18:34:41Z) - NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data [0.0]
深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、信頼性の高い臨床的意思決定に不可欠である。
我々は、アンサンプされた「k空間」データからMRI再構成における不確実性評価のための非パラメトリックフレームワーク「NPB-REC」を紹介する。
論文 参考訳（メタデータ） (2022-08-08T08:22:25Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - 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) - 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) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI
Acquisition [19.422926534305837]
本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。
具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。
ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
論文 参考訳（メタデータ） (2020-01-13T19:01:17Z)
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。