論文の概要: Edge Computing for Physics-Driven AI in Computational MRI: A Feasibility Study

• arxiv url: http://arxiv.org/abs/2506.03183v1
• Date: Fri, 30 May 2025 02:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.9188
• Title: Edge Computing for Physics-Driven AI in Computational MRI: A Feasibility Study
• Title（参考訳）: 計算MRIにおける物理駆動型AIのエッジコンピューティングの可能性
• Authors: Yaşar Utku Alçalar, Yu Cao, Mehmet Akçakaya,
• Abstract要約: FPGAベースのエッジコンピューティングデバイスに最適化された新しいPD-AI計算MRI手法を提案する。 提案手法は,従来のPD-AI手法に匹敵する再現性を維持しつつ,計算効率の向上を図っている。 提案手法は,資源制約されたデバイス上での高分解能MRI再構成の機会を示し,実世界の展開の可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 6.098295105240952
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-driven artificial intelligence (PD-AI) reconstruction methods have emerged as the state-of-the-art for accelerating MRI scans, enabling higher spatial and temporal resolutions. However, the high resolution of these scans generates massive data volumes, leading to challenges in transmission, storage, and real-time processing. This is particularly pronounced in functional MRI, where hundreds of volumetric acquisitions further exacerbate these demands. Edge computing with FPGAs presents a promising solution for enabling PD-AI reconstruction near the MRI sensors, reducing data transfer and storage bottlenecks. However, this requires optimization of PD-AI models for hardware efficiency through quantization and bypassing traditional FFT-based approaches, which can be a limitation due to their computational demands. In this work, we propose a novel PD-AI computational MRI approach optimized for FPGA-based edge computing devices, leveraging 8-bit complex data quantization and eliminating redundant FFT/IFFT operations. Our results show that this strategy improves computational efficiency while maintaining reconstruction quality comparable to conventional PD-AI methods, and outperforms standard clinical methods. Our approach presents an opportunity for high-resolution MRI reconstruction on resource-constrained devices, highlighting its potential for real-world deployment.
• Abstract（参考訳）: 物理駆動型人工知能(PD-AI)再構成法がMRIスキャンの高速化のための最先端技術として登場し、空間的および時間的解像度の向上を実現している。 しかし、これらのスキャンの高解像度化は大量のデータ量を生成し、送信、ストレージ、リアルタイム処理の課題に繋がる。 特に機能的MRIでは、数百のボリューム取得がこれらの要求をさらに悪化させる。 FPGAを用いたエッジコンピューティングは、MRIセンサーの近傍でPD-AI再構成を可能にし、データ転送とストレージボトルネックを低減するための有望なソリューションを提供する。 しかし、これは量子化と従来のFFTベースのアプローチをバイパスすることでハードウェア効率のためのPD-AIモデルの最適化を必要とする。 本研究では,FPGAベースのエッジコンピューティングデバイスに最適化された新しいPD-AI計算MRI手法を提案する。 提案手法は,従来のPD-AI法に匹敵する再現性を維持しつつ,計算効率を向上し,標準的な臨床方法よりも優れていることを示す。 提案手法は,資源制約されたデバイス上での高分解能MRI再構成の機会を示し,実世界の展開の可能性を明らかにする。

関連論文リスト

• Fast MRI for All: Bridging Equity Gaps via Training without Raw Data Access [2.512491726995032]
  物理駆動型ディープラーニング(PD-DL)アプローチは、高速磁気共鳴画像(MRI)スキャンの再構築に人気がある。 PD-DLは、既存の高速MRI技術よりも高い加速速度を提供するが、その使用は特定のMRIセンターの外で限られている。 日常的な臨床再構成画像のみを用いた高品質PD-DLトレーニングのための圧縮性に着想を得た非教師なし学習(CUPID)を提案する。
  論文  参考訳（メタデータ） (2024-11-20T03:53:41Z)
• Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction [2.724485028696543]
  マルチコイルデータからクリーンでノイズのないMRI信号を生成するための,教師なし事前処理パイプラインを提案する。 プレコンディショニング技術と組み合わせることで,高品質なデータに対する堅牢なMRI再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:57Z)
• Accelerating MRI Uncertainty Estimation with Mask-based Bayesian Neural Network [7.062728225568675]
  本稿では,高性能で信頼性の高いMRI解析のためのアルゴリズム・ハードウェア協調最適化フローを提案する。 アルゴリズムレベルでは、IVIM-NETをマスクベースのベイズニューラルネットワーク(BayesNN)に変換するための変換設計フローが導入された。 ハードウェアレベルでは、マスクゼロスキップやオペレーティングリオーダなど、いくつかのハードウェア最適化を備えたFPGAベースのアクセラレータを提案する。
  論文  参考訳（メタデータ） (2024-07-07T23:57:40Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• MA-RECON: Mask-aware deep-neural-network for robust fast MRI k-space interpolation [3.0821115746307672]
  低サンプリングkspaceデータからのMRI画像の高品質な再構成は、MRI取得時間を短縮し、時間分解能を向上するために重要である。 本稿では,マスク対応ディープニューラルネットワーク(DNN)アーキテクチャと関連するトレーニング手法であるMA-RECONを紹介する。 様々なアンダーサンプリングマスクで生成されたデータを活用して、アンダーサンプリングされたMRI再構成問題の一般化を刺激する。
  論文  参考訳（メタデータ） (2022-08-31T15:57:38Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• Recurrent Variational Network: A Deep Learning Inverse Problem Solver applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
  本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。 RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。 提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
  論文  参考訳（メタデータ） (2021-11-18T11:44:04Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。