文献

J-GLOBAL ID：201802243317237839   整理番号：18A0570989

加速されたMRIデータの再構成のための変分ネットワークの学習【Powered by NICT】

Learning a variational network for reconstruction of accelerated MRI data

著者 (11件)： Hammernik Kerstin (Institute of Computer Graphics and Vision, Graz University of Technology, Graz, Austria) ,  Klatzer Teresa (Institute of Computer Graphics and Vision, Graz University of Technology, Graz, Austria) ,  Kobler Erich (Institute of Computer Graphics and Vision, Graz University of Technology, Graz, Austria) ,  Recht Michael P. (Center for Biomedical Imaging, Department of Radiology, NYU School of Medicine, New York, New York, USA) ,  Recht Michael P. (Center for Advanced Imaging Innovation and Research (CAI2R), NYU School of Medicine, New York, New York, USA) ,  Sodickson Daniel K. (Center for Biomedical Imaging, Department of Radiology, NYU School of Medicine, New York, New York, USA) ,  Sodickson Daniel K. (Center for Advanced Imaging Innovation and Research (CAI2R), NYU School of Medicine, New York, New York, USA) ,  Pock Thomas (Institute of Computer Graphics and Vision, Graz University of Technology, Graz, Austria) ,  Pock Thomas (Center for Vision, Automation & Control, AIT Austrian Institute of Technology GmbH, Vienna, Austria) ,  Knoll Florian (Center for Biomedical Imaging, Department of Radiology, NYU School of Medicine, New York, New York, USA) ,  Knoll Florian (Center for Advanced Imaging Innovation and Research (CAI2R), NYU School of Medicine, New York, New York, USA)
資料名： Magnetic Resonance in Medicine  (Magnetic Resonance in Medicine)
巻： 79  号： 6  ページ： 3055-3071  発行年： 2018年 
JST資料番号： W2675A  ISSN： 0740-3194  資料種別： 逐次刊行物 (A)
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： 目的:変分モデルの数学的構造を組み合わせた深い学習を用いた変分ネットワークを学習することにより臨床加速マルチコイルMRデータの高速及び高品質再構成を可能にするために。理論と方法:一般化された変分モデルとして定式化圧縮センシング再構成は展開勾配降下法に埋め込まれている。フィルタ核と活性化関数としてデータ項重みによって定義された以前のモデルを含む,この定式化の全てのパラメータは,オフライン訓練手順中に学習される。学習されたモデルは,未知データへのオンライン適用することができる。【結果】は変分ネットワークアプローチはアンダーサンプルされた遡及的および前向きデータを用いた種々の加速因子とサンプリングパターンのための臨床膝画像診断プロトコルで評価した。変分ネットワーク再構成は,標準的な再構成アルゴリズム,定量的誤差測定と定期的なサンプリングと加速因子4の臨床リーダー研究により検証よりも優れている。【結論】変分ネットワーク再構築は,MR画像の自然出現と同様に訓練データセットに含まれていない病理を保持していた。その高い計算性能,すなわち,単一グラフィックスカード上の再構成時間193ms,パラメータチューニングの省略のために1回ネットワークに学習させた,画像再構成へのこの新しい手法を臨床ワークフローに統合できる。Copyright 2018 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： ワークフロー ,  *変分法 ,  定式化 ,  *再構成 ,  モデル ,  高速度 ,  *ネットワーク ,  *学習 ,  フィルタ ,  NMRイメージング ,  画像再構成 ,  プロトコル ,  最急降下法
準シソーラス用語： 圧縮センシング ,  変分モデル , 【Automatic Indexing@JST】

著者キーワード (6件)： 変分ネットワーク ,  深い学習 ,  加速されたMRI ,  パラレルイメージング ,  圧縮センシング ,  画像再構成

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 加速 ,  MRI ,  再構成 ,  変分 ,  学習