論文の概要: One Block Is Enough: LoopMR for Accelerated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2611.14947v1
- Date: Wed, 11 Nov 2026 02:51:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.990167
- Title: One Block Is Enough: LoopMR for Accelerated MRI Reconstruction
- Title(参考訳): ひとつのブロックは、MRIの高速化のためのLoopMR
- Abstract要約: イテレーション毎に1つのRestormerブロックをコアとして再利用するLoopMRを提案する。
PSNRではE2E-VarNet, PromptMR, PromptMR+, SSIMではすべてのアクセラレーション因子で有意に優れていた。
また、リードを目に見えないアクセラレーション要因と、目に見えないデータセットに保持する。
- 参考スコア(独自算出の注目度): 15.283329726902517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning unrolled networks are the leading approach to accelerated MRI reconstruction. State-of-the-art models such as PromptMR+ learn a distinct block for every cascade, so their size grows with the number of cascades. Sharing one block across iterations avoids adding parameters, but earlier shared-weight models typically used a tiny block and produced worse images than models with distinct weights. Therefore, it remained unclear whether weight sharing itself or the choice of block was the problem. Recent advances in looped transformers, which reuse the same block across layers, show that they can match or outperform their distinct-weight counterparts on several tasks. Motivated by this, we propose LoopMR, which reuses a single Restormer block at every iteration as its core. Besides the current image estimate, the block receives data-consistency inputs and latent images. On four datasets covering the brain (CC359), knee (fastMRI), heart (CMRxRecon2023) and carotid (in-house), LoopMR significantly outperforms E2E-VarNet, PromptMR and PromptMR+ in PSNR and SSIM at every acceleration factor (p < 0.01), with about 1/9 of PromptMR+'s parameters (10.3M versus 92.9M). It also keeps its lead at unseen acceleration factors and on an unseen dataset. With our transformer block, the shared model matches or outperforms its distinct-weight counterpart at 6, 12 and 24 iterations. At a fixed number of iterations, shared transformer blocks match or outperform their distinct-weight versions, while shared CNN blocks perform worse. These results suggest that looping one well-chosen block can outperform stacking distinct cascades in MRI reconstruction, with a fraction of the parameters.
- Abstract(参考訳): ディープラーニングアンロールネットワークは、MRIの再構築を加速するための主要なアプローチである。
PromptMR+のような最先端のモデルは、カスケード毎に異なるブロックを学習するので、カスケードの数に応じてそのサイズが大きくなる。
イテレーション間でひとつのブロックを共有することはパラメータを追加することを避けるが、初期の共有重み付けモデルは一般的に小さなブロックを使用し、異なる重みを持つモデルよりも悪い画像を生成する。
そのため、重量共有自体が問題であったのか、ブロックの選択が問題であったのかは定かではない。
階層間の同じブロックを再利用するループ変換器の最近の進歩は、複数のタスクにおいて異なる重み付けの処理にマッチし、性能を向上できることを示している。
そこで我々は,イテレーション毎に1つのRestormerブロックをコアとして再利用するLoopMRを提案する。
現在の画像推定に加えて、ブロックはデータ一貫性の入力と遅延画像を受け取る。
脳をカバーしている4つのデータセット(CC359)、膝(fastMRI)、心臓(CMRxRecon2023)、頸動脈(in-house)では、LoopMRはPSNRにおいてE2E-VarNet、PromptMR、PromptMR+より優れており、すべてのアクセラレーション因子(p < 0.01)において約1/9(92.9Mに対して10.3M)である。
また、リードを目に見えないアクセラレーション要因と、目に見えないデータセットに保持する。
当社のトランスフォーマーブロックでは,共有モデルは6,12,24イテレーションで,それぞれ異なるウェイトなモデルにマッチするか,あるいは優れています。
一定回数のイテレーションにおいて、共有トランスフォーマーブロックは、それぞれの異なる重み付けバージョンにマッチまたは上回る一方、共有CNNブロックは、より悪いパフォーマンスを示す。
以上の結果から,1つの良心ブロックのループ化はMRI再建において異なるカスケードを積み重ねることよりも優れ,パラメータの少なさが示唆された。
関連論文リスト
- DeRes: Decoupling Residual Stability and Adaptivity for Scalable CTR Prediction [0.343054185715673]
トランスフォーマーベースのCTRモデルは、残差接続におけるボトルネックの増大に直面している。
最近の注意に基づく残差変種(AttnRes)は、言語モデルにおけるこの部分に対応する。
本稿では,各層を2つの並列経路にルートするDeReについて述べる。
論文 参考訳(メタデータ) (2026-06-06T05:07:16Z) - From Next-Token to Next-Block: A Principled Adaptation Path for Diffusion LLMs [58.640039233470766]
原理的AR-to-block-diffusion適応は,DLMをスクラッチからトレーニングする上で,有効かつ効率的な代替手段であることを示す。
NBDiff-7B(BaseとInstruct)は、長文のモデリングと推論機能を継承し、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2025-12-07T10:28:21Z) - Block Cascading: Training Free Acceleration of Block-Causal Video Models [87.49370566105999]
小さな1.3Bモデルは16FPSしか管理せず、大きな14Bモデルは4.5FPSでクロールする。
Block Cascadingは、トレーニング不要の並列化を通じて、このトレードオフを著しく軽減する。
私たちの重要な洞察は、将来のビデオブロックは、生成を開始するために完全に識別された現在のブロックを必要としないということです。
論文 参考訳(メタデータ) (2025-11-25T15:52:58Z) - Invertible Residual Rescaling Models [46.28263683643467]
Invertible Rescaling Networks (IRNs)とその変種は、画像再スケーリングのような様々な画像処理タスクにおいて顕著な成果をみせた。
Invertible Residual Rescaling Models (IRRM) は,高解像度画像と高解像度画像との複射を特定の分布で学習することにより,画像再スケーリングを実現する。
我々のIRRMは,x4再スケーリングにおいて,それぞれ最低0.3dBのPSNRゲインを有し,60%のパラメータと50%のFLOPしか使用していない。
論文 参考訳(メタデータ) (2024-05-05T14:14:49Z) - NoSENSE: Learned unrolled cardiac MRI reconstruction without explicit sensitivity maps [0.4419843514606336]
本稿では,複数のレシーバコイルを用いた加速心MRIのための新しい画像再構成法を提案する。
本手法は画像のコイル間関係を暗黙的に捉えて学習する。
提案手法は,PSNR34.89,35.56,SSIM0.920,0.942をシネトラックで達成した。
論文 参考訳(メタデータ) (2023-09-27T12:15:05Z) - Fill the K-Space and Refine the Image: Prompting for Dynamic and
Multi-Contrast MRI Reconstruction [31.404228406642194]
ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。
本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。
提案手法は,従来の高速MRI再建法より有意に優れていた。
論文 参考訳(メタデータ) (2023-09-25T02:51:00Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-01-23T21:58:19Z) - Self-Gated Memory Recurrent Network for Efficient Scalable HDR
Deghosting [59.04604001936661]
本稿では,任意の長さの動的シーケンスを浮き彫りにする新しいネットワーク型HDRデゴースト法を提案する。
本稿では,SGM(Self-Gated Memory)セルという新たなリカレントセルアーキテクチャを導入する。
提案手法は,既存の3つの公開データセットを定量的に比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2021-12-24T12:36:33Z)
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。