論文の概要: DeepMpMRI: Tensor-decomposition Regularized Learning for Fast and High-Fidelity Multi-Parametric Microstructural MR Imaging
- arxiv url: http://arxiv.org/abs/2405.03159v1
- Date: Mon, 6 May 2024 04:36:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 14:45:09.809320
- Title: DeepMpMRI: Tensor-decomposition Regularized Learning for Fast and High-Fidelity Multi-Parametric Microstructural MR Imaging
- Title（参考訳）: DeepMpMRI:高速かつ高忠実なマルチパラメトリックMRIのためのテンソル分解正規化学習
- Authors: Wenxin Fan, Jian Cheng, Cheng Li, Xinrui Ma, Jing Yang, Juan Zou, Ruoyou Wu, Zan Chen, Yuanjing Feng, Hairong Zheng, Shanshan Wang,
- Abstract要約: 本稿では,様々な拡散モデルから高速かつ高忠実なマルチパラメトリック推定を行うための統一フレームワークを提案する。
DeepMpMRIは、細部を効果的に捉えるために新しく設計されたテンソル分解ベースの正規化器を備えている。
- 参考スコア（独自算出の注目度）: 15.408939800451696
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning has emerged as a promising approach for learning the nonlinear mapping between diffusion-weighted MR images and tissue parameters, which enables automatic and deep understanding of the brain microstructures. However, the efficiency and accuracy in the multi-parametric estimations are still limited since previous studies tend to estimate multi-parametric maps with dense sampling and isolated signal modeling. This paper proposes DeepMpMRI, a unified framework for fast and high-fidelity multi-parametric estimation from various diffusion models using sparsely sampled q-space data. DeepMpMRI is equipped with a newly designed tensor-decomposition-based regularizer to effectively capture fine details by exploiting the correlation across parameters. In addition, we introduce a Nesterov-based adaptive learning algorithm that optimizes the regularization parameter dynamically to enhance the performance. DeepMpMRI is an extendable framework capable of incorporating flexible network architecture. Experimental results demonstrate the superiority of our approach over 5 state-of-the-art methods in simultaneously estimating multi-parametric maps for various diffusion models with fine-grained details both quantitatively and qualitatively, achieving 4.5 - 22.5$\times$ acceleration compared to the dense sampling of a total of 270 diffusion gradients.
- Abstract（参考訳）: 深層学習は、拡散強調MRI画像と組織パラメータの非線形マッピングを学ぶための有望なアプローチとして現れ、脳の微細構造の自動的および深部理解を可能にしている。
しかし、従来の研究では、高密度サンプリングと孤立信号モデリングによるマルチパラメトリックマップを推定する傾向があったため、マルチパラメトリック推定の効率と精度はまだ限られている。
本稿では, スパースサンプリングq空間データを用いた拡散モデルから高速かつ高忠実なマルチパラメトリック推定を行う統合フレームワークであるDeepMpMRIを提案する。
DeepMpMRIは、パラメータ間の相関を利用して詳細を効果的に捉えるために、新しく設計されたテンソル分解ベースの正規化器を備えている。
さらに,Nesterovに基づく適応学習アルゴリズムを導入し,正規化パラメータを動的に最適化して性能を向上させる。
DeepMpMRIは柔軟なネットワークアーキテクチャを組み込むことができる拡張可能なフレームワークである。
実験により, 様々な拡散モデルに対するマルチパラメトリック写像を定量的に, 定性的に, 微粒度で同時に推定し, 4.5～22.5$\times$Accelerationを, 合計270の拡散勾配の高密度サンプリングと比較した。
関連論文リスト
- MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。
独立画素の仮定を破る自己教師型深部変分法を提案する。
そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
論文 参考訳（メタデータ） (2024-11-16T11:11:36Z) - qMRI Diffuser: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model [1.1278063431495107]
定量的MRI(qMRI)は、組織特性に関連する客観的パラメータを提供することにより、重み付け画像よりも大きな利点を提供する。
深層学習に基づく手法は、一連の重み付き画像から定量的マップを推定する効果を実証している。
深部生成モデルを用いたqMRIの新しい手法であるqMRIディフューザを提案する。
論文 参考訳（メタデータ） (2024-07-23T13:49:19Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - 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 Unified Learning Model for Estimating Fiber Orientation Distribution
Functions on Heterogeneous Multi-shell Diffusion-weighted MRI [7.619657591752497]
拡散強調(DW)MRIは、各ボクセルの局所拡散過程の方向とスケールを、q空間のスペクトルを通して測定する。
近年の微細構造イメージングと多部分解の進展は、信号の放射状b値依存性に新たな注意を喚起している。
単一ステージの球面畳み込みニューラルネットワークを用いて,効率的な繊維配向分布関数推定を行う。
論文 参考訳（メタデータ） (2023-03-29T00:58:18Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Bayesian multiscale deep generative model for the solution of
high-dimensional inverse problems [0.0]
深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。
この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
論文 参考訳（メタデータ） (2021-02-04T11:47:21Z) - Joint Total Variation ESTATICS for Robust Multi-Parameter Mapping [0.0]
ESTATICSは、R2*と複数の外挿インターセプトを抽出するために、複数のエコー系列の連接対数整合を行う。
提案アルゴリズムは,リッチな単目的データセットにおいて,左からのエコーを予測して評価する。
論文 参考訳（メタデータ） (2020-05-28T19:08:42Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。