論文の概要: A Trust-Guided Approach to MR Image Reconstruction with Side Information

• arxiv url: http://arxiv.org/abs/2501.03021v1
• Date: Mon, 06 Jan 2025 14:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:07:57.137467
• Title: A Trust-Guided Approach to MR Image Reconstruction with Side Information
• Title（参考訳）: 側方情報を用いたMR画像再構成のための信頼誘導手法
• Authors: Arda Atalık, Sumit Chopra, Daniel K. Sodickson,
• Abstract要約: 多くの加速法は、取得した$textitk$-space データの限られたセットから診断品質の高い画像を再構成するように設計されている。 このタスクは線形逆問題 (LIP) として表すことができ、アンダーサンプリングの結果、フォワード演算子はランク不足となるか、小さな特異値を示すことができる。 我々は、サイド情報をLIPに効果的に統合する新しいエンドツーエンドディープラーニングフレームワークTGVNを提案する。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License:
• Abstract: Reducing MRI scan times can improve patient care and lower healthcare costs. Many acceleration methods are designed to reconstruct diagnostic-quality images from limited sets of acquired $\textit{k}$-space data. This task can be framed as a linear inverse problem (LIP), where, as a result of undersampling, the forward operator may become rank-deficient or exhibit small singular values. This results in ambiguities in reconstruction, in which multiple generally incorrect or non-diagnostic images can map to the same acquired data. To address such ambiguities, it is crucial to incorporate prior knowledge, for example in the form of regularization. Another form of prior knowledge less commonly used in medical imaging is contextual side information garnered from other sources than the current acquisition. Here, we propose the $\textbf{T}$rust-$\textbf{G}$uided $\textbf{V}$ariational $\textbf{N}$etwork $\textbf{(TGVN)}$, a novel end-to-end deep learning framework that effectively integrates side information into LIPs. TGVN eliminates undesirable solutions from the ambiguous space of the forward operator while remaining faithful to the acquired data. We demonstrate its effectiveness in multi-coil, multi-contrast MR image reconstruction, where incomplete or low-quality measurements from one contrast are used as side information to reconstruct high-quality images of another contrast from heavily under-sampled data. Our method is robust across different contrasts, anatomies, and field strengths. Compared to baselines that also utilize side information, TGVN achieves superior image quality at challenging under-sampling levels, drastically speeding up acquisition while minimizing hallucinations. Our approach is also versatile enough to incorporate many different types of side information (including previous scans or even text) into any LIP.
• Abstract（参考訳）: MRIスキャン時間の短縮は、患者のケアを改善し、医療費を下げる。 多くの加速法は、取得した$\textit{k}$-space データの限られた集合から診断品質の高い画像を再構成するように設計されている。 このタスクは線形逆問題 (LIP) として表すことができ、アンダーサンプリングの結果、フォワード演算子はランク不足となるか、小さな特異値を示すことができる。 これにより、複数の不正確な画像や非診断画像が同じ取得したデータにマッピングされるという、再構築の曖昧さが生じる。 このような曖昧さに対処するためには、例えば正規化の形で事前の知識を組み込むことが不可欠である。 医用画像であまり使われていない別の種類の事前知識は、現在の取得よりも他の情報源から収集された文脈側情報である。 ここでは、サイド情報をLIPに効果的に統合する新しいエンドツーエンドディープラーニングフレームワークである、$\textbf{T}$rust-$\textbf{G}$uided $\textbf{V}$ariational $\textbf{N}$etwork $\textbf{(TGVN)}$を提案する。 TGVNは、取得したデータに忠実なまま、フォワード演算子のあいまいな空間から望ましくない解を除去する。 マルチコイル・マルチコントラストMR画像再構成において,一方のコントラストからの不完全あるいは低品質な計測を副次情報として用い,重度のアンダーサンプルデータから他方のコントラストの高品質な画像の再構成を行う。 我々の手法は、異なるコントラスト、解剖学、およびフィールド強度に対して堅牢である。 サイド情報も利用するベースラインと比較して、TGVNは、アンダーサンプリングレベルに挑戦する上で優れた画質を実現し、幻覚を最小化しながら、獲得を劇的にスピードアップする。 我々のアプローチは、様々な種類のサイド情報(以前のスキャンやテキストを含む)を任意のLIPに組み込むのに十分な汎用性を持っている。

関連論文リスト

• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• ClamNet: Using contrastive learning with variable depth Unets for medical image segmentation [0.0]
  ユニッツは、完全な畳み込みネットワーク(FCN)とともに、医療画像のセマンティックセグメンテーションの標準手法となった。 Unet++は、UnetとFCNが直面している問題のいくつかを解決するために、Unetの亜種として導入された。 医用画像のセマンティックセグメンテーションにUnet++を訓練するために, コントラスト学習を用いる。
  論文  参考訳（メタデータ） (2022-06-10T16:55:45Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• 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)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• 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)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI Image-to-Image Translation [7.8333615755210175]
  本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。 我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
  論文  参考訳（メタデータ） (2020-12-03T09:10:22Z)
• Progressively Volumetrized Deep Generative Models for Data-Efficient Contextual Learning of MR Image Recovery [0.0]
  生成モデル(ProvoGAN)のための新しいプログレッシブボリューム化戦略を導入する。 ProvoGANは、複雑なボリューム画像復元タスクを、個別の直交次元にわたってタスク最適化された逐次断面積マッピングに分解する。 メインストリームのMRI再構成と合成タスクに関する総合的なデモでは、ProvoGANは最先端のボリュームモデルとクロスセクションモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-27T18:55:56Z)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。