論文の概要: The R2D2 Deep Neural Network Series for Scalable Non-Cartesian Magnetic Resonance Imaging

• arxiv url: http://arxiv.org/abs/2503.09559v1
• Date: Wed, 12 Mar 2025 17:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:36:54.436982
• Title: The R2D2 Deep Neural Network Series for Scalable Non-Cartesian Magnetic Resonance Imaging
• Title（参考訳）: R2D2 Deep Neural Network Series for Scalable Non-Cartesian Magnetic Resonance Imaging
• Authors: Yiwei Chen, Amir Aghabiglou, Shijie Chen, Motahare Torki, Chao Tang, Ruud B. van Heeswijk, Yves Wiaux,
• Abstract要約: R2D2 Deep Neural Network (DNN) シリーズのパラダイムを導入し,MRIにおける非モンテカルロk空間の取得から高速でスケーラブルな画像再構成を実現する。 少数のDNNを持つシリーズは、ロールされていないR2D2-Netよりも優れた再構築品質を実現する。
• 参考スコア（独自算出の注目度）: 7.220567225059911
• License:
• Abstract: We introduce the R2D2 Deep Neural Network (DNN) series paradigm for fast and scalable image reconstruction from highly-accelerated non-Cartesian k-space acquisitions in Magnetic Resonance Imaging (MRI). While unrolled DNN architectures provide a robust image formation approach via data-consistency layers, embedding non-uniform fast Fourier transform operators in a DNN can become impractical to train at large scale, e.g in 2D MRI with a large number of coils, or for higher-dimensional imaging. Plug-and-play approaches that alternate a learned denoiser blind to the measurement setting with a data-consistency step are not affected by this limitation but their highly iterative nature implies slow reconstruction. To address this scalability challenge, we leverage the R2D2 paradigm that was recently introduced to enable ultra-fast reconstruction for large-scale Fourier imaging in radio astronomy. R2D2's reconstruction is formed as a series of residual images iteratively estimated as outputs of DNN modules taking the previous iteration's data residual as input. The method can be interpreted as a learned version of the Matching Pursuit algorithm. A series of R2D2 DNN modules were sequentially trained in a supervised manner on the fastMRI dataset and validated for 2D multi-coil MRI in simulation and on real data, targeting highly under-sampled radial k-space sampling. Results suggest that a series with only few DNNs achieves superior reconstruction quality over its unrolled incarnation R2D2-Net (whose training is also much less scalable), and over the state-of-the-art diffusion-based "Decomposed Diffusion Sampler" approach (also characterised by a slower reconstruction process).
• Abstract（参考訳）: R2D2 Deep Neural Network (DNN) シリーズのパラダイムを導入し, 高速でスケーラブルな画像再構成を実現する。 アンロールされたDNNアーキテクチャは、データ一貫性層を介して堅牢な画像形成アプローチを提供するが、DNNに非一様高速フーリエ変換演算子を埋め込むことは、例えば、多数のコイルを持つ2次元MRIや高次元イメージングなど、大規模に訓練するには実用的ではない。 データ一貫性のステップで学習したデノイザを計測設定に置き換えるプラグアンドプレイアプローチは、この制限の影響を受けないが、その非常に反復的な性質は、再構築の遅さを示唆している。 このスケーラビリティ問題に対処するために、最近導入されたR2D2パラダイムを活用し、電波天文学における大規模フーリエ画像の超高速再構成を可能にする。 R2D2の再構成は、DNNモジュールの出力として繰り返し推定される残像の連続として形成される。 この方法はMatching Pursuitアルゴリズムの学習版と解釈できる。 一連のR2D2 DNNモジュールは、高速MRIデータセット上で逐次的に訓練され、2次元マルチコイルMRIシミュレーションおよび実データ上で、高度にアンダーサンプリングされたラジアルk空間サンプリングを対象として検証された。 その結果, 少数のDNNしか持たないシリーズは, R2D2-Net(トレーニングのスケーラビリティも極めて低い)や, 最先端拡散に基づく「分解拡散サンプリング」アプローチ(遅い再構成プロセスでも特徴付けられる)よりも優れた再構成品質を実現することが示唆された。

関連論文リスト

• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• R2D2 image reconstruction with model uncertainty quantification in radio astronomy [1.7249361224827533]
  Residual-to-Residual'(R2D2)アプローチは、天文学におけるRI(Radio-Interferometric)イメージングのために最近導入された。 R2D2の再構成は、ディープニューラルネットワーク(DNN)の出力として反復的に推定される一連の残像として形成される 本稿では,R2D2画像推定プロセスのロバスト性について,その一連の学習モデルに関連する不確実性について検討する。
  論文  参考訳（メタデータ） (2024-03-26T19:10:08Z)
• Scalable Non-Cartesian Magnetic Resonance Imaging with R2D2 [6.728969294264806]
  本研究では,非電子磁気共鳴画像再構成のための新しい手法を提案する。 我々は「Residual to-Residual DNN series for high range imaging (R2D2)」を利用する。
  論文  参考訳（メタデータ） (2024-03-26T17:45:06Z)
• The R2D2 deep neural network series paradigm for fast precision imaging in radio astronomy [1.7249361224827533]
  最近の画像再構成技術は、CLEANの能力をはるかに超えて、画像の精度が著しく向上している。 高ダイナミックレンジイメージングのためのResidual-to-Residual DNNシリーズと呼ばれる新しいディープラーニング手法を導入する。 高精度を実現するためのR2D2の能力は、超大型アレイ(VLA)を用いた様々な画像観測環境においてシミュレーションで実証されている。
  論文  参考訳（メタデータ） (2024-03-08T16:57:54Z)
• 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)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• CLEANing Cygnus A deep and fast with R2D2 [1.7249361224827533]
  電波干渉計による高ダイナミックレンジイメージングのためのResidual-to-Residual DNNシリーズ(R2D2)と呼ばれる、天文学における合成イメージングのための新しいディープラーニングパラダイムが最近提案されている。 本稿では,R2D2 の学習手法により,CLEAN の解像度に取って代わり,最新の最適化アルゴリズムとプラグアンドプレイアルゴリズムの精度をそれぞれ uSARA と AIRI と一致させることが可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-06T18:11:09Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI [19.942978606567547]
  核磁気共鳴画像(MRI)における深層学習の驚くべき性能 最先端のディープラーニング再構築の多くは、強力な畳み込みニューラルネットワークを採用し、2D畳み込みを行う。 我々は1次元の畳み込みを探求する新しいアプローチを提案し、深層ネットワークの訓練と一般化をより容易にする。
  論文  参考訳（メタデータ） (2021-12-09T06:39:55Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)

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。