論文の概要: An unsupervised method for MRI recovery: Deep image prior with structured sparsity
- arxiv url: http://arxiv.org/abs/2501.01482v1
- Date: Thu, 02 Jan 2025 18:13:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:11:57.363514
- Title: An unsupervised method for MRI recovery: Deep image prior with structured sparsity
- Title（参考訳）: MRI再生のための教師なし手法:構造的空間性を用いた深部画像
- Authors: Muhammad Ahmad Sultan, Chong Chen, Yingmin Liu, Katarzyna Gil, Karolina Zareba, Rizwan Ahmad,
- Abstract要約: 教師なしMRI再構成法は完全なk-spaceデータを必要としない。
深部画像前処理法(DISCUS)は,深部画像前処理法(DIP)を拡張した。
円盤は4つの研究で検証されました
- 参考スコア（独自算出の注目度）: 5.445349754044486
- License:
- Abstract: Objective: To propose and validate an unsupervised MRI reconstruction method that does not require fully sampled k-space data. Materials and Methods: The proposed method, deep image prior with structured sparsity (DISCUS), extends the deep image prior (DIP) by introducing group sparsity to frame-specific code vectors, enabling the discovery of a low-dimensional manifold for capturing temporal variations. \discus was validated using four studies: (I) simulation of a dynamic Shepp-Logan phantom to demonstrate its manifold discovery capabilities, (II) comparison with compressed sensing and DIP-based methods using simulated single-shot late gadolinium enhancement (LGE) image series from six distinct digital cardiac phantoms in terms of normalized mean square error (NMSE) and structural similarity index measure (SSIM), (III) evaluation on retrospectively undersampled single-shot LGE data from eight patients, and (IV) evaluation on prospectively undersampled single-shot LGE data from eight patients, assessed via blind scoring from two expert readers. Results: DISCUS outperformed competing methods, demonstrating superior reconstruction quality in terms of NMSE and SSIM (Studies I--III) and expert reader scoring (Study IV). Discussion: An unsupervised image reconstruction method is presented and validated on simulated and measured data. These developments can benefit applications where acquiring fully sampled data is challenging.
- Abstract（参考訳）: 目的:完全なk空間データを必要としない教師なしMRI再構成手法の提案と検証を行う。
材料と方法: 提案手法は, 時間変動を捉える低次元多様体の発見を可能にするため, フレーム固有の符号ベクトルにグループ間隔を導入することにより, 深部画像前処理(DISCUS)を拡張した。
I) 動的シェップロガンファントムのシミュレーションによる多様体発見能力の実証, (II) 圧縮センシングとDIPに基づく手法との比較, (II) 正常化平均2乗誤差(NMSE)と構造類似度指標(SSIM)の6つの異なるデジタル心ファントムからの1ショット後期ガドリニウム強調(LGE)画像シリーズとの比較, (III) 8人の患者からの1ショットLGEデータを遡及的にアンサンプした1ショットLGEデータの評価, (IV) 専門家2名からのブラインドスコアを用いて、前向きにアンサンプされた1ショットLGEデータの評価を行った。
結果: DisCUS は,NMSE と SSIM (Studies I-III) とエキスパート読取者スコア (Study IV) において, 高い再現性を示した。
考察: シミュレーションおよび測定データに基づいて, 教師なし画像再構成手法を提示し, 検証する。
これらの開発は、完全なサンプルデータを取得することが困難であるアプリケーションに恩恵をもたらす可能性がある。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Efficient One-Step Diffusion Refinement for Snapshot Compressive Imaging [8.819370643243012]
Coded Aperture Snapshot Spectral Imaging (CASSI)は3次元マルチスペクトル画像(MSI)を撮影するための重要な技術である
現在の最先端の手法は、主にエンドツーエンドであり、高周波の詳細を再構築する際の制限に直面している。
本稿では,Snapshot Compressive Imagingのための自己教師型適応フレームワークにおいて,新しい1段階拡散確率モデルを提案する。
論文 参考訳（メタデータ） (2024-09-11T17:02:10Z) - 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) - Self-Score: Self-Supervised Learning on Score-Based Models for MRI
Reconstruction [18.264778497591603]
本稿では,MRI再構成のための完全サンプルデータフリースコアベース拡散モデルを提案する。
アンダーサンプリングされたデータに基づいて、自己監督的な方法で、完全にサンプリングされたMR画像を学ぶ。
公開データセットにおける実験により,提案手法は既存の自己教師型MRI再構成法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-09-02T06:21:42Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust
Classification of Breast Cancer [62.997667081978825]
MIRST-DMと呼ばれるドロップマックス層を用いたマルチインスタンスRTTを提案し、小さなデータセット上でよりスムーズな決定境界を学習する。
提案手法は1,190画像の小さな乳房超音波データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-02T20:25:26Z) - Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文 参考訳（メタデータ） (2022-01-05T21:37:43Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - A Lightweight Structure Aimed to Utilize Spatial Correlation for
Sparse-View CT Reconstruction [6.8438089867929905]
重度の画像ノイズやストレッチアーティファクトは、低線量プロトコルの主要な問題であることが判明した。
本論文では,現在普及しているアルゴリズムの限界を破るデュアルドメイン深層学習手法を提案する。
提案手法は,40.305のPSNRと0.948のSSIMに到達し,高モデルモビリティを確保しながら,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-01-19T13:26:17Z) - Unsupervised MRI Reconstruction with Generative Adversarial Networks [14.253509181850502]
生成的対向ネットワークを用いた完全サンプリングデータのないMRI再構成のためのディープラーニングフレームワークを提案する。
提案手法を2つのシナリオで検証し, 高速スピンエコー膝試験と前向きアンサンプド腹部DCEの2つのシナリオについて検討した。
論文 参考訳（メタデータ） (2020-08-29T22:00:49Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。