論文の概要: AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-preserving Model-based Deep Learning
- arxiv url: http://arxiv.org/abs/2408.10236v1
- Date: Sun, 4 Aug 2024 09:19:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-25 14:21:10.731775
- Title: AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-preserving Model-based Deep Learning
- Title（参考訳）: AID-DTI:詳細なモデルに基づく深層学習による高密度拡散テンソルイメージングの高速化
- Authors: Wenxin Fan, Jian Cheng, Cheng Li, Jing Yang, Ruoyou Wu, Juan Zou, Shanshan Wang,
- Abstract要約: AID-DTI(textbfAccelerating htextbfIgh fitextbfDelity textbfDiffusion textbfTensor textbfImaging)は6つの測定値だけで高速で正確なDTIを実現する新しい手法である。
AID-DTIは新たに設計されたSingular Value Decompositionベースの正規化器を備えており、細部を効果的に捉えることができる。
- 参考スコア（独自算出の注目度）: 12.381694906601055
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning has shown great potential in accelerating diffusion tensor imaging (DTI). Nevertheless, existing methods tend to suffer from Rician noise and eddy current, leading to detail loss in reconstructing the DTI-derived parametric maps especially when sparsely sampled q-space data are used. To address this, this paper proposes a novel method, AID-DTI (\textbf{A}ccelerating h\textbf{I}gh fi\textbf{D}elity \textbf{D}iffusion \textbf{T}ensor \textbf{I}maging), to facilitate fast and accurate DTI with only six measurements. AID-DTI is equipped with a newly designed Singular Value Decomposition-based regularizer, which can effectively capture fine details while suppressing noise during network training by exploiting the correlation across DTI-derived parameters. Additionally, we introduce a Nesterov-based adaptive learning algorithm that optimizes the regularization parameter dynamically to enhance the performance. AID-DTI is an extendable framework capable of incorporating flexible network architecture. Experimental results on Human Connectome Project (HCP) data consistently demonstrate that the proposed method estimates DTI parameter maps with fine-grained details and outperforms other state-of-the-art methods both quantitatively and qualitatively.
- Abstract（参考訳）: 深層学習は拡散テンソルイメージング(DTI)の加速に大きな可能性を示している。
それにもかかわらず、既存の手法はリッチノイズや渦電流に悩まされがちであり、特に少量のサンプルq空間データを使用する場合、DTI由来のパラメトリックマップの再構成において詳細が失われる。
そこで本研究では, AID-DTI (\textbf{A}ccelerating h\textbf{I}gh fi\textbf{D}elity \textbf{D}iffusion \textbf{T}ensor \textbf{I}maging)を提案する。
AID-DTIは新たに設計されたSingular Value Decomposition-based regularizerを備えており、DTIから派生したパラメータ間の相関を利用して、ネットワークトレーニング中にノイズを抑えながら細部を効果的に捉えることができる。
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。
AID-DTI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。
HCP(Human Connectome Project)データによる実験結果から,提案手法はDTIパラメータマップを細粒度で推定し,定量的かつ定性的に他の最先端手法よりも優れていることが示された。
関連論文リスト
- Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳（メタデータ） (2024-09-11T11:12:26Z) - Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
本研究では,データ駆動型最適化手法であるDoDTIを紹介する。
提案手法はDTIパラメータ推定における最先端性能を実現する。
特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
論文 参考訳（メタデータ） (2024-09-04T07:35:12Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with
Detail-Preserving Model-based Deep Learning [15.504457554152513]
本稿では,6つの測定値のみで高速かつ正確なDTIを実現するための新しい手法であるAID-DTI(Accelerating hIgh fiDelity Diffusion Imaging)を提案する。
AID-DTIは、新しく設計されたSingular Value Decomposition (SVD)ベースの正規化器を備えており、ネットワークトレーニング中にノイズを抑えながら、細部を効果的に捉えることができる。
HCP(Human Connectome Project)データによる実験結果から,提案手法は細粒度でDTIパラメータマップを推定し,定量的かつ定性的に3つの最先端手法を上回ることを示した。
論文 参考訳（メタデータ） (2024-01-03T11:54:48Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Prompting to Distill: Boosting Data-Free Knowledge Distillation via
Reinforced Prompt [52.6946016535059]
データフリー知識蒸留(DFKD)は、元のトレーニングデータの依存をなくし、知識蒸留を行う。
本稿では,PmptDFD(PromptDFD)と呼ばれるプロンプトベースの手法を提案する。
本実験で示すように, 本手法は, 合成品質を大幅に向上し, 蒸留性能を著しく向上させる。
論文 参考訳（メタデータ） (2022-05-16T08:56:53Z) - SDnDTI: Self-supervised deep learning-based denoising for diffusion
tensor MRI [0.3694429692322631]
拡散強調画像(DWI)のノイズはDTI由来の微細構造パラメータの精度と精度を低下させる。
畳み込みニューラルネットワーク(CNN)を用いたディープラーニングに基づく画像認識は、優れた性能を持つが、CNNのトレーニングを監督するためには、高SNRデータを必要とすることが多い。
本研究では,DTIデータに付加的な高SNRデータを必要としない自己教師型深層学習手法「SDnDTI」を開発した。
論文 参考訳（メタデータ） (2021-11-14T01:36:51Z) - 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) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with
deep learning [12.797957906141363]
拡散重み付き画像(DWI)と対応するテンソル導出量マップとの非線形関係を学習するためのSuperDTIを提案する。
SuperDTIは、DWIのノイズや動きに非常に敏感なテンソルフィッティング手順をバイパスする。
論文 参考訳（メタデータ） (2020-02-03T22:15:27Z)
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。