論文の概要: Benchmarking Self-Supervised Methods for Accelerated MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2502.14009v2
• Date: Sun, 23 Feb 2025 16:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 12:07:11.159242
• Title: Benchmarking Self-Supervised Methods for Accelerated MRI Reconstruction
• Title（参考訳）: 高速MRI再構成のための自己監督手法のベンチマーク
• Authors: Andrew Wang, Mike Davies,
• Abstract要約: 高アンサンプ測定からMRIを再構築することは、医療画像の高速化に不可欠である。 教師付きディープラーニングアプローチは目覚ましい成功を収めてきたが、完全にサンプル化された真実データに依存している。 本研究は,すべてのフィードフォワード自己監督法から得られた損失関数の総合的レビューと,基礎的真実を伴わない高速MRI再構成に関する最初のベンチマークを提示する。
• 参考スコア（独自算出の注目度）: 2.260147251787331
• License:
• Abstract: Reconstructing MRI from highly undersampled measurements is crucial for accelerating medical imaging, but is challenging due to the ill-posedness of the inverse problem. While supervised deep learning approaches have shown remarkable success, they rely on fully-sampled ground truth data, which is often impractical or impossible to obtain. Recently, numerous self-supervised methods have emerged that do not require ground truth, however, the lack of systematic comparison and standard experimental setups have hindered research. We present the first comprehensive review of loss functions from all feedforward self-supervised methods and the first benchmark on accelerated MRI reconstruction without ground truth, showing that there is a wide range in performance across methods. In addition, we propose Multi-Operator Equivariant Imaging (MO-EI), a novel framework that builds on the imaging model considered in existing methods to outperform all state-of-the-art and approaches supervised performance. Finally, to facilitate reproducible benchmarking, we provide implementations of all methods in the DeepInverse library (https://deepinv.github.io) and easy-to-use demo code at https://andrewwango.github.io/deepinv-selfsup-fastmri.
• Abstract（参考訳）: 高アンサンプ測定によるMRI再構成は, 医療画像の高速化に不可欠であるが, 逆問題により困難である。 教師付きディープラーニングアプローチは目覚ましい成功を収めてきたが、完全にサンプル化された真理データに依存しており、しばしば非現実的あるいは入手不可能である。 近年,体系的な比較や標準的な実験装置の欠如が研究を妨げている。 本研究は,すべてのフィードフォワード自己監督法から得られた損失関数の総合的レビューと,基礎的事実を伴わずにMRIの高速化に関する最初のベンチマークを提示する。 さらに,既存の手法で検討されている画像モデルに基づいて,教師付き性能を向上する手法であるMulti-Operator Equivariant Imaging (MO-EI)を提案する。 最後に、再現可能なベンチマークを容易にするために、DeepInverseライブラリのすべてのメソッドの実装(https://deepinv.github.io)と、https://andrewwango.github.io/deepinv-selfsup-fastmriで簡単に使えるデモコードを提供します。

関連論文リスト

• Fully Unsupervised Dynamic MRI Reconstruction via Diffeo-Temporal Equivariance [2.260147251787331]
  教師付き学習法は周期性を前提として欠陥があり、真の動きの撮像を禁止している。 我々は,アンサンプド計測のみから動的MRIシーケンスを再構築するための教師なしフレームワークを提案する。 我々の手法は基盤となるニューラルネットワークアーキテクチャに非依存であり、最新のパラダイムや後処理アプローチに適応するために使用することができる。
  論文  参考訳（メタデータ） (2024-10-11T09:16:30Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
  拡散モデルに基づく超解像(SR)法は有望な結果を示す。 しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。 本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T16:21:29Z)
• RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint Detection and Invariant Description for Endoscopy [83.4885991036141]
  RIDEは回転同変検出と不変記述のための学習に基づく手法である。 内視鏡画像の大規模なキュレーションを自己指導的に行う。 マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2023-09-18T08:16:30Z)
• Self-Supervised MRI Reconstruction with Unrolled Diffusion Models [27.143473617162304]
  自己監督型拡散再構成モデル(SSDiffRecon)を提案する。 SSDiffReconは、物理駆動処理のためのデータ一貫性ブロックと逆拡散ステップのためのクロスアテンショントランスフォーマーをインターリーブする条件拡散プロセスを表現する。 公開脳MRデータセットを用いた実験は、SSDiffReconの再構築速度と品質の点で、最先端の教師付きベースラインと自己教師付きベースラインに対する優位性を示す。
  論文  参考訳（メタデータ） (2023-06-29T03:31:46Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
  本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。 我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。 単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
  論文  参考訳（メタデータ） (2021-08-25T22:43:20Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• 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)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。