arXiv:2409.12777

TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories

Tamir Shor, Chaim Baskin, Alex Bronstein

제출 2024-09-19

원문 초록

Dynamic Magnetic Resonance Imaging (MRI) is a crucial non-invasive method used to capture the movement of internal organs and tissues, making it a key tool for medical diagnosis. However, dynamic MRI faces a major challenge: long acquisition times needed to achieve high spatial and temporal resolution. This leads to higher costs, patient discomfort, motion artifacts, and lower image quality. Compressed Sensing (CS) addresses this problem by acquiring a reduced amount of MR data in the Fourier domain, based on a chosen sampling pattern, and reconstructing the full image from this partial data. While various deep learning methods have been developed to optimize these sampling patterns and improve reconstruction, they often struggle with slow optimization and inference times or are limited to specific temporal dimensions used during training. In this work, we introduce a novel deep-compressed sensing approach that uses 3D window attention and flexible, temporally extendable acquisition trajectories. Our method significantly reduces both training and inference times compared to existing approaches, while also adapting to different temporal dimensions during inference without requiring additional training. Tests with real data show that our approach outperforms current state-of-theart techniques. The code for reproducing all experiments will be made available upon acceptance of the paper.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2505.23869v5stat.ML공통 태그 compressed sensing공식 코드 · Papers with Code

Gibbs 무작위성-압축 명제

Gibbs randomness-compression proposition

손실 압축 과정과 연관된 측정 벡터 집합에 대한 Gibbs 엔트로피를 통해 무작위성과 압축을 연결하는 명제를 제안한다. 이 연결을 구축하는 과정에서, 반복적인 압축-학습 주기에서 압축을 탐색하는 수단으로 학습 과제의 성능을 사용한다. 이는 열역학적 효율을 탐색 수단으로 사용하는 통계역학적 관점에서의 반복적 coarse-graining으로 볼 수 있다. 압축률의 매우 작은 감소와 성능 사이의 공단조(comonotonic) 관계를 통해 이 연결을 공식화한다. 기준선 모델로 세 가지 서로 다른 모델 압축 과정을 사용하여, 심층 학습의 정형적인 비전 과제에서 이 명제의 타당성을 입증한다. 다음의 단순한 것부터 복잡한 것까지의 모델 압축 접근법을 사용한다: (1) 무작위 가지치기, (2) 크기(magnitude) 가지치기, (3) 이중 방식의 압축 센싱(compressed sensing)을 활용하는 이중 tomographic 압축을 이용한 보다 복잡한 압축으로, 이는 새로운 방법으로 소개된다. 심층 학습 네트워크의 남은 가중치를 측정 벡터로 사용하여 Gibbs 엔트로피를 측정한다. 성능으로 탐색한 압축과 학습된 모델에 대한 엔트로피 측정으로부터 얻은 무작위성 사이에 본질적으로 계산 가능한 연결이 존재한다는 개념을 보여준다.

arXiv:2502.02097v4cs.CV공통 태그 Medical Diagnosis공식 코드 · Papers with Code

VerteNet -- 측면 척추 DXA 영상에서 정확한 척추 랜드마크 위치 추정을 위한 다중 컨텍스트 하이브리드 CNN 트랜스포머

VerteNet -- A Multi-Context Hybrid CNN Transformer for Accurate Vertebral Landmark Localization in Lateral Spine DXA Images

이중에너지 X선 흡수계측법(Dual-Energy X-ray Absorptiometry, DXA) 기반 측면 척추 영상에서의 척추 랜드마크 위치 추정(Vertebral Landmarks Localization, VLL)은 척추 정렬 평가, 척추 골절 평가(Vertebral Fracture Assessment), 복부 대동맥 석회화(Abdominal Aortic Calcification) 정량화를 위한 추간 가이드 배치에 핵심적인 역할을 한다. 측면 척추 DXA 스캔은 비용 절감 및 낮은 방사선 노출이라는 장점을 제공하지만, 낮은 신호 대 잡음비와 영상 아티팩트로 인해 분석이 어렵다. 인공지능(AI)은 VLL의 정밀도와 정확도를 향상시키는 유망한 접근법으로 주목받고 있다. 본 연구에서는 세밀한 지역적 세부 정보와 광범위한 컨텍스트 정보를 모두 포착하기 위해 이중 해상도 어텐션 메커니즘을 적용한 새로운 아키텍처를 제안한다. 제안된 방법은 이중 해상도 자기 어텐션(self-attention) 및 교차 어텐션(cross-attention) 메커니즘을 통해 스킵 연결(skip connection)과 디코더 레이어를 활용함으로써 특징 통합을 강화한다. 이러한 설계는 모델이 복잡한 패턴을 학습하는 능력을 향상시켜 지역적 및 전역적 컨텍스트 인식을 유지하면서 정확한 척추 코너 위치 추정을 가능하게 한다. 제안된 프레임워크를 다수의 장비로 획득한 DXA 측면 척추 영상(LSI)에서 평가한 결과, VLL에서 최신 최첨단 아키텍처를 능가하여 정규화 평균 오차 4.92, 정규화 중앙값 오차 2.35를 달성하였다. 제안된 프레임워크인 VerteNet은 다양한 촬영 시스템의 DXA LSI 영상에서 높은 정확도의 VLL을 가능하게 하며, 세밀한 지역적 세부 정보와 광범위한 컨텍스트 정보를 모두 포착하는 향상된 능력 덕분에 낮은 신호 대 잡음비에 대한 강한 강건성을 보인다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.