論文の概要: Accelerating Cardiac MRI Reconstruction with CMRatt: An Attention-Driven Approach
- arxiv url: http://arxiv.org/abs/2404.06941v1
- Date: Wed, 10 Apr 2024 11:47:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 14:40:47.760617
- Title: Accelerating Cardiac MRI Reconstruction with CMRatt: An Attention-Driven Approach
- Title(参考訳): CMRattを用いた心臓MRIの高速化 : 注意駆動的アプローチ
- Authors: Anam Hashmi, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor,
- Abstract要約: 本研究の目的は,心画像再構成の文脈において,深層学習モデルに組み込まれた注意機構の未発達の可能性を探ることである。
我々の第一の目的は、U-Netのような畳み込みバックボーンモデルと統合した場合のアテンションアルゴリズムの強みと潜在的な制限を特定することである。
本稿では,心臓画像再構成の課題に特化して最適化された,シンプルで効果的な注目パイプラインを提案する。
- 参考スコア(独自算出の注目度): 8.904269561863103
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cine cardiac magnetic resonance (CMR) imaging is recognised as the benchmark modality for the comprehensive assessment of cardiac function. Nevertheless, the acquisition process of cine CMR is considered as an impediment due to its prolonged scanning time. One commonly used strategy to expedite the acquisition process is through k-space undersampling, though it comes with a drawback of introducing aliasing effects in the reconstructed image. Lately, deep learning-based methods have shown remarkable results over traditional approaches in rapidly achieving precise CMR reconstructed images. This study aims to explore the untapped potential of attention mechanisms incorporated with a deep learning model within the context of the CMR reconstruction problem. We are motivated by the fact that attention has proven beneficial in downstream tasks such as image classification and segmentation, but has not been systematically analysed in the context of CMR reconstruction. Our primary goal is to identify the strengths and potential limitations of attention algorithms when integrated with a convolutional backbone model such as a U-Net. To achieve this, we benchmark different state-of-the-art spatial and channel attention mechanisms on the CMRxRecon dataset and quantitatively evaluate the quality of reconstruction using objective metrics. Furthermore, inspired by the best performing attention mechanism, we propose a new, simple yet effective, attention pipeline specifically optimised for the task of cardiac image reconstruction that outperforms other state-of-the-art attention methods. The layer and model code will be made publicly available.
- Abstract(参考訳): 心機能の総合的評価のための指標として, シン心磁気共鳴(CMR)画像が認められている。
それでも, cine CMRの獲得過程は, 長期の走査時間による障害と見なされている。
取得プロセスを高速化するための一般的な戦略は、k空間アンダーサンプリングであるが、再構成画像にエイリアス効果を導入する欠点がある。
近年、深層学習に基づく手法は、CMR再構成画像の高精度化において、従来のアプローチよりも顕著な結果を示している。
本研究の目的は,CMR再建問題における深層学習モデルに組み込まれた注意機構の未解決の可能性を探ることである。
我々は,画像分類やセグメンテーションなどの下流作業において注意が有益であることが証明されたという事実に動機づけられるが,CMR再建の文脈では体系的に分析されていない。
我々の第一の目的は、U-Netのような畳み込みバックボーンモデルと統合した場合のアテンションアルゴリズムの強みと潜在的な制限を特定することである。
そこで我々は,CMRxReconデータセット上で,最先端の空間的・チャネル的注意機構をベンチマークし,客観的な指標を用いて再現の質を定量的に評価した。
さらに、最も優れた注意機構に着想を得て、他の最先端の注意方法よりも優れた心画像再構成の課題に特化して最適化された、シンプルで効果的な注意パイプラインを提案する。
レイヤとモデルコードは公開されます。
関連論文リスト
- Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [23.142320453773696]
ダイナミックMRI(Dynamic MRI)は心臓の診断に不可欠である。
高速撮像を実現するため、k空間データをアンサンプできるが、画像再構成は高次元処理の大きな課題となる。
本研究は,高度に制限された学習データでも優れた次元再現型分離学習手法を応用した,新規で効率的な手法を提案する。
論文 参考訳(メタデータ) (2024-02-24T23:56:15Z) - Analysis of Deep Image Prior and Exploiting Self-Guidance for Image
Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。
ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。
提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文 参考訳(メタデータ) (2024-02-06T15:52:23Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Unsupervised reconstruction of accelerated cardiac cine MRI using Neural
Fields [3.684766600912547]
心臓血管MRI(NF-cMRI)における暗黙的神経野表現に基づく教師なしアプローチを提案する。
提案手法は,26xおよび52xのアンダーサンプリング因子に対するゴールデンアングル・ラジアルマルチコイルのアンダーサンプリングにおいて評価された。
論文 参考訳(メタデータ) (2023-07-24T23:31:36Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。
これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。
我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文 参考訳(メタデータ) (2023-06-21T16:19:07Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - 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) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳(メタデータ) (2022-03-08T02:25:38Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - Fine-grained MRI Reconstruction using Attentive Selection Generative
Adversarial Networks [0.0]
高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。
我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
論文 参考訳(メタデータ) (2021-03-13T09:58:32Z)
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。