文献

J-GLOBAL ID：201702285373943776   整理番号：17A1036444

圧縮センシングMRIのための深い残留学習【Powered by NICT】

Deep residual learning for compressed sensing MRI

著者 (3件)： Lee Dongwook (Bio Imaging and Signal Processing Lab., Dep. of Bio and Brain Engineering, KAIST, South Korea) ,  Yoo Jaejun (Bio Imaging and Signal Processing Lab., Dep. of Bio and Brain Engineering, KAIST, South Korea) ,  Ye Jong Chul (Bio Imaging and Signal Processing Lab., Dep. of Bio and Brain Engineering, KAIST, South Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ISBI  ページ： 15-18  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 圧縮センシング(CS)は,性能保証によるMR取得時間の有意な減少を可能にした。しかし,CSの計算量は通常高価である。これを解決するために,ここではまばらにサンプルしたk空間データからのMR画像を再構成する新しい深い残留学習アルゴリズムを提案した。特に,ダウンサンプリングデータからのコヒーレントエイリアシングアーチファクトは元の画像データよりも位相幾何学的に単純な構造を持つという観察に基づいて,残留回帰問題としてCS問題を定式化し,エイリアシングアーチファクトを学習するための深い畳込みニューラルネットワーク(CNN)を提案した。単一チャネルと多チャネルMRデータを用いた実験結果は,提案された深い残留学習は,既存のCSとパラレルイメージングアルゴリズムより優れていることを実証した。さらに,計算時間は数桁の大きさで速かった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 定式化 ,  計算量 ,  学習アルゴリズム ,  畳込み ,  CPU時間 ,  *学習 ,  ニューラルネットワーク ,  NMRイメージング ,  位相幾何学 ,  チャネル ,  再構成
準シソーラス用語： マルチチャネル ,  画像データ ,  性能保証 ,  *圧縮センシング , 【Automatic Indexing@JST】

分類 (2件)： 医用画像処理  (JE04020T) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 圧縮センシング ,  MRI ,  残留 ,  学習