完全にサンプリングしたグランドトルースなしの相互加速MRI合成の半教師付き学習【JST・京大機械翻訳】

Yurt Mahmut; Dar Salman Ul Hassan; OEzbey Muzaffer; Tinaz Berk; Oguz Kader Karli; Cukur Tolga

プレプリント

J-GLOBAL ID：202202220713218531 整理番号：21P0064307

完全にサンプリングしたグランドトルースなしの相互加速MRI合成の半教師付き学習【JST・京大機械翻訳】

Semi-Supervised Learning of Mutually Accelerated MRI Synthesis without Fully-Sampled Ground Truths

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年11月29日プレプリントサーバーでの情報更新日： 2021年05月12日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

学習ベース合成マルチコントラストMRIは,ソースとターゲットドメインサンプルが対または不対であるかどうかにかかわらず,ソースとターゲットコントラストの高品質画像を用いて訓練された深いモデルを含む。これは,すべてのMRIコントラストの完全にサンプリングされた取得に望ましくない依存性をもたらし,それは走査コストと時間に関する制限のために非現実的であるかもしれない。ここでは,ソースとターゲットコントラストの加速取得から直接高品質ターゲット画像を復元する代わりに学習する新しい半教師つき深層生成モデルを提案した。これを達成するために,提案モデルは,画像,k空間および敵対領域における新しいマルチコイルテンソル損失を導入した。これらの選択的損失は,獲得されたk空間サンプルのみに基づいており,ランダムサンプリングマスクは,取得と非獲得のk空間領域間の関係を捉えるために,被験者全体で使用された。マルチコントラスト神経画像データセットに関する包括的な実験は,著者らの半教師つきアプローチが,アンダーサンプルデータの再構成に基づいて合成するために学習するカスケードアプローチを凌駕しながら,金標準完全教師つきモデルと同等の性能を与えることを実証した。したがって,提案した手法は,コントラストセットとk空間の両方にわたってサンプリングした,加速MRI取得の実現可能性と有用性を改善する大きな有望性を持っている。【JST・京大機械翻訳】

, , , ,
, , , , , , , 【Automatic Indexing@JST】

医用画像処理

, , , ,

前のページに戻る