論文の概要: LSST: Learned Single-Shot Trajectory and Reconstruction Network for MR Imaging
- arxiv url: http://arxiv.org/abs/2409.07457v1
- Date: Thu, 8 Aug 2024 05:41:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-15 05:11:34.131866
- Title: LSST: Learned Single-Shot Trajectory and Reconstruction Network for MR Imaging
- Title（参考訳）: LSST : MR画像のためのシングルショット軌道と再構成ネットワーク
- Authors: Hemant Kumar Aggarwal, Sudhanya Chatterjee, Dattesh Shanbhag, Uday Patil, K. V. S. Hari,
- Abstract要約: 本研究の目的は, (a) k-空間を測定するための軌道を最適化し, (b) 試料を減らして取得プロセスを高速化し, (c) T2-blur の影響を低減することにより, SSFSE MR 画像の再構成品質を向上させることである。
8倍と16倍の加速係数を持つ公開されている高速MRIマルチチャネルデータセットで実験を行った。
- 参考スコア（独自算出の注目度）: 5.68560107897973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-shot magnetic resonance (MR) imaging acquires the entire k-space data in a single shot and it has various applications in whole-body imaging. However, the long acquisition time for the entire k-space in single-shot fast spin echo (SSFSE) MR imaging poses a challenge, as it introduces T2-blur in the acquired images. This study aims to enhance the reconstruction quality of SSFSE MR images by (a) optimizing the trajectory for measuring the k-space, (b) acquiring fewer samples to speed up the acquisition process, and (c) reducing the impact of T2-blur. The proposed method adheres to physics constraints due to maximum gradient strength and slew-rate available while optimizing the trajectory within an end-to-end learning framework. Experiments were conducted on publicly available fastMRI multichannel dataset with 8-fold and 16-fold acceleration factors. An experienced radiologist's evaluation on a five-point Likert scale indicates improvements in the reconstruction quality as the ACL fibers are sharper than comparative methods.
- Abstract（参考訳）: 単発磁気共鳴(MR)イメージングは単発で全k空間データを取得し、全身イメージングに様々な応用がある。
しかし、単発高速スピンエコー(SSFSE)MR画像におけるk空間全体の長い取得時間は、取得した画像にT2-blurを導入するため、課題となる。
本研究では,SSFSE MR画像の再構成品質の向上を目的とした。
a) k-空間を測定するために軌道を最適化すること。
b) 取得プロセスを高速化するため、サンプルの取得を減らし、
(c)T2-blurの影響を減少させる。
提案手法は, 最大勾配強度とスルーレートによる物理制約に適応し, 終末学習フレームワーク内での軌道の最適化を行う。
8倍と16倍の加速係数を持つ公開されている高速MRIマルチチャネルデータセットで実験を行った。
ACL繊維は比較法よりも鋭いため,5点Quatスケールでの放射線技師の評価は再建品質の向上を示している。
関連論文リスト
- Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models [0.0]
我々は多コイル高アンサンプドスパイラルMRIのための生成拡散モデルに基づく再構成アルゴリズムを作成する。
超高速スキャン時間(2D画像では0.02秒)で再構成した画像に高品質(構造的類似度 > 0.87)を示す。
論文 参考訳（メタデータ） (2024-04-18T17:40:23Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot
Self-Supervised Learning Reconstruction [7.347468593124183]
ゼロMIRIDと呼ばれる新しいmsEPI再構成手法(改良拡散MRIのためのマルチショット画像再構成のためのゼロショット自己教師型学習)を提案する。
本手法は、深層学習に基づく画像正規化技術を組み込むことで、msEPIデータを共同で再構成する。
In-vivo実験で示されるように、最先端の並列イメージング法と比較して優れた結果が得られる。
論文 参考訳（メタデータ） (2023-08-09T17:54:56Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・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。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with
GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。
提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-09-19T07:26:45Z) - Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information
Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。
公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文 参考訳（メタデータ） (2021-11-11T04:04:48Z) - Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction
of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。
深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。
MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文 参考訳（メタデータ） (2021-06-29T13:29:18Z) - End-to-End Sequential Sampling and Reconstruction for MR Imaging [37.29958197193658]
本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。
提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
論文 参考訳（メタデータ） (2021-05-13T17:56:18Z) - 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) - 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) - DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI
Reconstruction with Deep T1 Prior [19.720518236653195]
深部T1を組み込んだDuDoRNet(DuDoRNet)を提案し,k空間と画像の同時復元を行う。
提案手法は常に最先端の手法より優れており,高品質なMRIを再構築することができる。
論文 参考訳（メタデータ） (2020-01-11T21:34:48Z)
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。