論文の概要: Learned Discrepancy Reconstruction and Benchmark Dataset for Magnetic Particle Imaging

• arxiv url: http://arxiv.org/abs/2501.05583v1
• Date: Thu, 09 Jan 2025 21:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:10.730680
• Title: Learned Discrepancy Reconstruction and Benchmark Dataset for Magnetic Particle Imaging
• Title（参考訳）: 磁気粒子イメージングのための学習的離散性再構成とベンチマークデータセット
• Authors: Meira Iske, Hannes Albers, Tobias Knopp, Tobias Kluth,
• Abstract要約: 磁気粒子イメージング (MPI) は、超常磁性酸化鉄ナノ粒子の磁気応答に基づく新しい画像モダリティである。 MPI画像再構成作業における重要な課題は、その基礎となるノイズモデルから生じる。 本稿では,逆問題に対する新しい学習ベース再構成手法であるLearninged Discrepancy Approachを紹介する。
• 参考スコア（独自算出の注目度）: 3.7898596546142818
• License:
• Abstract: Magnetic Particle Imaging (MPI) is an emerging imaging modality based on the magnetic response of superparamagnetic iron oxide nanoparticles to achieve high-resolution and real-time imaging without harmful radiation. One key challenge in the MPI image reconstruction task arises from its underlying noise model, which does not fulfill the implicit Gaussian assumptions that are made when applying traditional reconstruction approaches. To address this challenge, we introduce the Learned Discrepancy Approach, a novel learning-based reconstruction method for inverse problems that includes a learned discrepancy function. It enhances traditional techniques by incorporating an invertible neural network to explicitly model problem-specific noise distributions. This approach does not rely on implicit Gaussian noise assumptions, making it especially suited to handle the sophisticated noise model in MPI and also applicable to other inverse problems. To further advance MPI reconstruction techniques, we introduce the MPI-MNIST dataset - a large collection of simulated MPI measurements derived from the MNIST dataset of handwritten digits. The dataset includes noise-perturbed measurements generated from state-of-the-art model-based system matrices and measurements of a preclinical MPI scanner device. This provides a realistic and flexible environment for algorithm testing. Validated against the MPI-MNIST dataset, our method demonstrates significant improvements in reconstruction quality in terms of structural similarity when compared to classical reconstruction techniques.
• Abstract（参考訳）: 磁気粒子イメージング (MPI) は、超常磁性酸化鉄ナノ粒子の磁気応答に基づいて、有害な放射線を伴わずに高分解能でリアルタイムなイメージングを実現する、新たな画像モダリティである。 MPI画像再構成作業における重要な課題の1つは、従来の再構成手法を適用する際に生じる暗黙のガウス的仮定を満たさない、基礎となるノイズモデルから生じる。 この課題に対処するために、学習離散性関数を含む逆問題に対する新しい学習ベース再構成手法である学習離散性アプローチ(Learned Discrepancy Approach)を導入する。 問題固有のノイズ分布を明示的にモデル化するために、可逆ニューラルネットワークを組み込むことにより、従来のテクニックを強化する。 このアプローチは暗黙的なガウス雑音の仮定に頼らず、特にMPIの洗練されたノイズモデルを扱うのに適しており、他の逆問題にも適用できる。 MPI再構成技術をさらに進歩させるために、手書き数字のMNISTデータセットから得られたシミュレーションMPI測定の大規模なコレクションであるMPI-MNISTデータセットを導入する。 このデータセットは、最先端のモデルベースのシステム行列から生成されるノイズ摂動測定と、プリクリナルMPIスキャナー装置の測定を含む。 これは、アルゴリズムテストのための現実的で柔軟な環境を提供する。 MPI-MNISTデータセットに対して本手法は,古典的復元手法と比較して,構造的類似性の観点から,復元品質が著しく向上したことを示す。

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)
• LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [2.3007720628527104]
  The Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method was proposed。 スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。 MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
  論文  参考訳（メタデータ） (2024-11-05T09:51:59Z)
• Diff-FMT: Diffusion Models for Fluorescence Molecular Tomography [16.950699640321936]
  拡散確率モデル(DDPM)に基づくFMT再構成手法を提案する。 ステップバイステップの確率サンプリング機構により、画像のきめ細かい再構築を実現し、画像詳細の喪失などの問題を回避する。 Diff-FMTは大規模データセットに頼らずに高解像度の再構成画像が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T10:41:31Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Optimization-Based Deep learning methods for Magnetic Resonance Imaging Reconstruction and Synthesis [0.0]
  この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。 第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。 第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。 第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
  論文  参考訳（メタデータ） (2023-03-02T18:59:44Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset [2.2366638308792735]
  MPIは、医療応用の可能性を継続的に増加させている。 これらの応用における性能向上の前提条件は、画像再構成問題に対する適切な解法である。 本稿では,ディープニューラルネットワークによる解の表現を基盤とした,より深い画像に基づく新しい再構成手法について検討する。
  論文  参考訳（メタデータ） (2020-07-03T10:13:10Z)

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。