論文の概要: Hybrid Learning: A Novel Combination of Self-Supervised and Supervised Learning for MRI Reconstruction without High-Quality Training Reference
- arxiv url: http://arxiv.org/abs/2505.05703v1
- Date: Fri, 09 May 2025 00:35:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-12 20:40:10.112127
- Title: Hybrid Learning: A Novel Combination of Self-Supervised and Supervised Learning for MRI Reconstruction without High-Quality Training Reference
- Title（参考訳）: ハイブリットラーニング:高次訓練基準を伴わないMRI再構成のための自己教師付き学習と教師付き学習の新しい組み合わせ
- Authors: Haoyang Pei, Ding Xia, Xiang Xu, William Moore, Yao Wang, Hersh Chandarana, Li Feng,
- Abstract要約: 自己教師付き学習は代替手段を提供するが、その性能は高い加速速度で低下する。
画像再構成のための自己教師型学習と教師型学習を組み合わせた新しい2段階学習フレームワークであるハイブリッド学習を提案する。
スパイラルUTE肺MRIでは、ハイブリッド学習は自己監督法と従来の監督法の両方よりも画像品質を一貫して改善した。
- 参考スコア（独自算出の注目度）: 6.724000365936624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Deep learning has demonstrated strong potential for MRI reconstruction, but conventional supervised learning methods require high-quality reference images, which are often unavailable in practice. Self-supervised learning offers an alternative, yet its performance degrades at high acceleration rates. To overcome these limitations, we propose hybrid learning, a novel two-stage training framework that combines self-supervised and supervised learning for robust image reconstruction. Methods: Hybrid learning is implemented in two sequential stages. In the first stage, self-supervised learning is employed to generate improved images from noisy or undersampled reference data. These enhanced images then serve as pseudo-ground truths for the second stage, which uses supervised learning to refine reconstruction performance and support higher acceleration rates. We evaluated hybrid learning in two representative applications: (1) accelerated 0.55T spiral-UTE lung MRI using noisy reference data, and (2) 3D T1 mapping of the brain without access to fully sampled ground truth. Results: For spiral-UTE lung MRI, hybrid learning consistently improved image quality over both self-supervised and conventional supervised methods across different acceleration rates, as measured by SSIM and NMSE. For 3D T1 mapping, hybrid learning achieved superior T1 quantification accuracy across a wide dynamic range, outperforming self-supervised learning in all tested conditions. Conclusions: Hybrid learning provides a practical and effective solution for training deep MRI reconstruction networks when only low-quality or incomplete reference data are available. It enables improved image quality and accurate quantitative mapping across different applications and field strengths, representing a promising technique toward broader clinical deployment of deep learning-based MRI.
- Abstract（参考訳）: 目的: 深層学習はMRI再建の可能性を強く示してきたが, 従来の教師付き学習手法では高品質な参照画像が必要であり, 実際には利用できないことが多い。
自己教師付き学習は代替手段を提供するが、その性能は高い加速速度で低下する。
このような制約を克服するために,自己教師付き学習と教師付き学習を組み合わせた2段階の学習フレームワークであるハイブリッド学習を提案する。
方法:ハイブリッド学習を2段階に分けて実施する。
第1段階では、ノイズやアンダーサンプリングされた参照データから改善された画像を生成するために自己教師付き学習を用いる。
これらの強化された画像は、第2段階の擬似地下真実として機能し、教師あり学習を用いて再構成性能を洗練し、より高い加速速度をサポートする。
我々は,(1)雑音基準データを用いた0.55T回転UTE肺MRIの高速化,(2)脳の3次元T1マッピングの2つの代表的応用でハイブリッド学習を評価した。
結果: スパイラルUTE肺MRIでは, ハイブリッド学習は, SSIMとNMSEで測定したように, 自己監督法と従来法の両方で画像品質を常に改善した。
3次元T1マッピングでは、ハイブリッド学習は広い動的範囲にわたって優れたT1量子化精度を達成し、全ての試験条件において自己教師あり学習より優れていた。
結論: ハイブリッド学習は、低品質または不完全な参照データのみが利用可能である場合に、ディープMRI再構成ネットワークをトレーニングするための実用的で効果的なソリューションを提供する。
これにより、さまざまなアプリケーションやフィールド強度にわたる画像品質の向上と正確な定量的マッピングが可能になり、ディープラーニングベースのMRIのより広範な臨床展開に向けた有望な技術を示す。
関連論文リスト
- 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) - Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot
Self-Supervised Learning Reconstruction [7.347468593124183]
ゼロMIRIDと呼ばれる新しいmsEPI再構成手法(改良拡散MRIのためのマルチショット画像再構成のためのゼロショット自己教師型学習)を提案する。
本手法は、深層学習に基づく画像正規化技術を組み込むことで、msEPIデータを共同で再構成する。
In-vivo実験で示されるように、最先端の並列イメージング法と比較して優れた結果が得られる。
論文 参考訳（メタデータ） (2023-08-09T17:54:56Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information
Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。
公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文 参考訳（メタデータ） (2021-11-11T04:04:48Z) - Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction
of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。
深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。
MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文 参考訳（メタデータ） (2021-06-29T13:29:18Z) - 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep
Learning Reconstruction [0.487576911714538]
脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。
ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。
本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
論文 参考訳（メタデータ） (2021-05-12T17:39:16Z) - 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) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - Two-Stage Deep Learning for Accelerated 3D Time-of-Flight MRA without
Matched Training Data [33.549981359484406]
本稿では,新しい2段階の教師なし深層学習手法を提案する。
第1のネットワークは、高品質な並列画像再構成を実現するために、正方形領域(SSoS)の平方根で訓練される。
第2の精製ネットワークは、高度に活性化された血流の特性を効率的に学習するように設計されている。
論文 参考訳（メタデータ） (2020-08-04T06:36:38Z)
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。