論文の概要: Time-Embedded Algorithm Unrolling for Computational MRI

• arxiv url: http://arxiv.org/abs/2510.16321v1
• Date: Sat, 18 Oct 2025 03:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.945312
• Title: Time-Embedded Algorithm Unrolling for Computational MRI
• Title（参考訳）: 計算MRIのための時間組込みアルゴリズム
• Authors: Junno Yun, Yaşar Utku Alçalar, Mehmet Akçakaya,
• Abstract要約: 本稿では,逆問題に対する時間組込みアルゴリズムの解法を提案する。 本手法は,アーティファクトのエイリアスを効果的に低減し,ノイズ増幅を緩和し,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 4.511561231517167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Algorithm unrolling methods have proven powerful for solving the regularized least squares problem in computational magnetic resonance imaging (MRI). These approaches unfold an iterative algorithm with a fixed number of iterations, typically alternating between a neural network-based proximal operator for regularization, a data fidelity operation and auxiliary updates with learnable parameters. While the connection to optimization methods dictate that the proximal operator network should be shared across unrolls, this can introduce artifacts or blurring. Heuristically, practitioners have shown that using distinct networks may be beneficial, but this significantly increases the number of learnable parameters, making it challenging to prevent overfitting. To address these shortcomings, by taking inspirations from proximal operators with varying thresholds in approximate message passing (AMP) and the success of time-embedding in diffusion models, we propose a time-embedded algorithm unrolling scheme for inverse problems. Specifically, we introduce a novel perspective on the iteration-dependent proximal operation in vector AMP (VAMP) and the subsequent Onsager correction in the context of algorithm unrolling, framing them as a time-embedded neural network. Similarly, the scalar weights in the data fidelity operation and its associated Onsager correction are cast as time-dependent learnable parameters. Our extensive experiments on the fastMRI dataset, spanning various acceleration rates and datasets, demonstrate that our method effectively reduces aliasing artifacts and mitigates noise amplification, achieving state-of-the-art performance. Furthermore, we show that our time-embedding strategy extends to existing algorithm unrolling approaches, enhancing reconstruction quality without increasing the computational complexity significantly.
• Abstract（参考訳）: アルゴリズムアンローリング法は、MRI(Computer magnetic resonance imaging)において、正規化最小二乗問題を解くのに強力であることが証明されている。 これらのアプローチは、通常、正規化のためのニューラルネットワークベースの近位演算子、データの忠実度演算、学習可能なパラメータによる補助更新とを交互に交互に、一定数の反復で反復アルゴリズムを展開させる。 最適化メソッドへの接続は、近位演算子ネットワークをアンロール間で共有することを規定するが、これはアーティファクトやぼやけをもたらす可能性がある。 しかし、これは学習可能なパラメータの数を著しく増加させ、過度な適合を防ぐことは困難である。 これらの欠点に対処するために、近似メッセージパッシング(AMP)のしきい値が異なる近位演算子からインスピレーションを受け、拡散モデルにおける時間埋め込みの成功を生かして、逆問題に対する時間埋め込みアルゴリズムを提案する。 具体的には,ベクトルAMP(VAMP)における反復依存的近位演算と,それに続くOnsager補正をアルゴリズムのアンローリングの文脈で導入し,それらを時間組込みニューラルネットワークとしてフレーミングする。 同様に、データ忠実度演算におけるスカラー重みとそれに伴うOnsager補正を時間依存学習可能なパラメータとしてキャストする。 様々な加速度速度とデータセットにまたがる高速MRIデータセットに関する広範囲な実験により, アーティファクトのエイリアス化を効果的に低減し, ノイズ増幅を緩和し, 最先端の性能を達成することを実証した。 さらに,我々の時間埋め込み戦略は既存のアルゴリズムに拡張され,計算複雑性を大幅に増大させることなく再構成品質が向上することを示す。

関連論文リスト

• Efficient Noise Calculation in Deep Learning-based MRI Reconstructions [23.3078469067914]
  ノイズ分析は、解の忠実度を明確に測定するためのMRI再構成の中心である。 ディープラーニング(DL)に基づく再構成手法は、固有の解析的および計算的課題により、しばしばノイズ伝搬を見落としている。 本研究は, ボクセル単位の分散を計算し, 取得ノイズによる不確実性を定量化する理論的基礎的, メモリ効率の手法を提案する。
  論文  参考訳（メタデータ） (2025-05-04T06:28:06Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• QN-Mixer: A Quasi-Newton MLP-Mixer Model for Sparse-View CT Reconstruction [0.0]
  準ニュートン法に基づくアルゴリズムQN-Mixerを導入する。 Incept-Mixerは非局所正規化用語として機能する効率的なニューラルネットワークである。 我々のアプローチは知的に情報をサンプリングし、計算要求を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-28T00:20:25Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• tSPM+; a high-performance algorithm for mining transitive sequential patterns from clinical data [5.340674706271038]
  本稿では,tSPMアルゴリズムの高性能な実装であるtSPM+アルゴリズムについて述べる。 tSPM+アルゴリズムは最大980倍の高速化と最大48倍のメモリ消費向上を実現している。
  論文  参考訳（メタデータ） (2023-09-08T17:47:31Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
  アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。 このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。 また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
  論文  参考訳（メタデータ） (2020-10-13T08:02:38Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。