論文の概要: A New k-Space Model for Non-Cartesian Fourier Imaging

• arxiv url: http://arxiv.org/abs/2505.05647v1
• Date: Thu, 08 May 2025 21:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.085562
• Title: A New k-Space Model for Non-Cartesian Fourier Imaging
• Title（参考訳）: 非カルテシアンフーリエイメージングのための新しいk空間モデル
• Authors: Chin-Cheng Chan, Justin P. Haldar,
• Abstract要約: 従来のアプローチの制限(旧と新)に対してより弾力性のある新しいモデルを提案する。 具体的には、新しいモデルは、標準的なイメージドメインのボクセルベースのアプローチではなく、フーリエドメインベースの拡張に基づいている。 非カルテシアンMRI再建の文脈において、図示的な結果が提示される。
• 参考スコア（独自算出の注目度）: 2.1730897280147814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For the past several decades, it has been popular to reconstruct Fourier imaging data using model-based approaches that can easily incorporate physical constraints and advanced regularization/machine learning priors. The most common modeling approach is to represent the continuous image as a linear combination of shifted "voxel" basis functions. Although well-studied and widely-deployed, this voxel-based model is associated with longstanding limitations, including high computational costs, slow convergence, and a propensity for artifacts. In this work, we reexamine this model from a fresh perspective, identifying new issues that may have been previously overlooked (including undesirable approximation, periodicity, and nullspace characteristics). Our insights motivate us to propose a new model that is more resilient to the limitations (old and new) of the previous approach. Specifically, the new model is based on a Fourier-domain basis expansion rather than the standard image-domain voxel-based approach. Illustrative results, which are presented in the context of non-Cartesian MRI reconstruction, demonstrate that the new model enables improved image quality (reduced artifacts) and/or reduced computational complexity (faster computations and improved convergence).
• Abstract（参考訳）: 過去数十年間、物理的制約や高度な正規化/機械学習を組み込んだモデルベースのアプローチを用いて、フーリエ画像データを再構成することが一般的であった。 最も一般的なモデリング手法は、連続像をシフトした「ボクセル」基底関数の線形結合として表現することである。 良く研究され広く展開されているが、このボクセルベースのモデルは、高い計算コスト、緩やかな収束、アーティファクトの正当性を含む長年の制限に関連付けられている。 本研究では、このモデルを新たな観点から再検討し、これまで見過ごされていた可能性のある新しい問題(望ましくない近似、周期性、ヌルスペース特性など)を特定する。 私たちの洞察は、以前のアプローチの制限(旧と新)に対してより回復力のある新しいモデルを提案する動機になります。 具体的には、新しいモデルは、標準的なイメージドメインのボクセルベースのアプローチではなく、フーリエドメインベースの拡張に基づいている。 非カルト的MRI再構成の文脈で提示された図解的な結果は、新しいモデルが画像の品質の向上(再現されたアーティファクト)および/または計算複雑性の低減(より高速な計算とコンバージェンスの改善)を可能にすることを実証している。

関連論文リスト

• NODER: Image Sequence Regression Based on Neural Ordinary Differential Equations [2.711538918087856]
  本稿では,ニューラル常微分方程式を利用して複雑な基礎となる力学を捉える,NODERという最適化に基づく新しいフレームワークを提案する。 本モデルでは,特に臨床状況において,予測のために数枚の画像のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-18T07:50:46Z)
• Diffeomorphic Template Registration for Atmospheric Turbulence Mitigation [50.16004183320537]
  大気の乱流により劣化した画像の集合体に基づく放射能の回復法について述べる。 画像の1つを参照として選択し、その画像から他の画像への光フローの集約により、この画像の変形をモデル化する。 単純さに拘わらず、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-05-06T17:39:53Z)
• Low-resolution Prior Equilibrium Network for CT Reconstruction [3.5639148953570836]
  本稿では,低分解能画像を導入し,ネットワークの堅牢性を改善するための効果的な正規化項を得る,新しいディープラーニングベースのCT再構成モデルを提案する。 狭角化と狭角化の両問題を実験的に検討し, ノイズ低減, コントラスト・ツー・ノイズ比, エッジ細部保存の両面において, エンド・ツー・エンドの低分解能事前平衡モデルが他の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-01-28T13:59:58Z)
• ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
  テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。 我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:19:18Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Model-corrected learned primal-dual models for fast limited-view photoacoustic tomography [2.631277214890658]
  学習された反復的再構成は、モデル摂動に対する経験的堅牢性で断層画像の加速を約束する。 高速近似モデルを用いることで計算可能性を得ることができるが、モデル誤差を補う必要が生じる。 学習画像再構成におけるモデル修正の方法論的・理論的基礎を,学習された原始双対の枠組みに埋め込むことにより前進させる。
  論文  参考訳（メタデータ） (2023-04-04T17:13:22Z)
• Universal Generative Modeling in Dual-domain for Dynamic MR Imaging [22.915796840971396]
  我々は,高度にアンダーサンプリングされた測定値の再構成を行うために,k-spaceとDu-al-Domainコラボレーティブユニバーサル生成モデル(DD-UGM)を提案する。 より正確には、画像領域とk空間領域の両方の先行成分を普遍的な生成モデルで抽出し、これらの先行成分を適応的に処理し、より高速に処理する。
  論文  参考訳（メタデータ） (2022-12-15T03:04:48Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。