Publication

Self-Supervised Image Reconstruction of 7T MP2RAGE for Multiple Sclerosis: 0.5mm Isotropic Resolution in 10 Minutes

Jean-Philippe Thiran
2023

Résumé

High-resolution 3D MR imaging is necessary for the detailed assessment of focal pathologies, such as cortical lesions. However, high-resolution demands tradeoffs with acceleration and SNR, which is difficult to address with standard machine learning reconstructions due to the infeasibility of collecting large datasets of fully sampled data. Using a dataset of high-resolution (0.5mm isotropic), 3D, 7T MP2RAGE scans of multiple sclerosis patients, we show that a self-supervised reconstruction from one scan, requiring no fully sampled data, has higher apparent SNR than a median of three scans, currently used for assessment, with comparable tissue contrast and lesion conspicuity.

Source officielle

https://infoscience.epfl.ch/entities/publication/4832d273-62eb-477b-8bdd-efeecdfd0408

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Jean-Philippe Thiran
2023

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/4832d273-62eb-477b-8bdd-efeecdfd0408

À propos de ce résultat

Concepts associés (32)

Apprentissage non supervisé

Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.

Apprentissage de représentations

En apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.

Apprentissage automatique

L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.

Afficher plus

Publications associées (32)

Afficher plus

Self-Supervised Image Reconstruction of 7T MP2RAGE for Multiple Sclerosis: 0.5mm Isotropic Resolution in 10 Minutes

Chattez avec Graph Search

A Network of Biologically Inspired Rectified Spectral Units (ReSUs) Learns Hierarchical Features Without Error Backpropagation

Performance guarantees of distributed learning in adversarial environments

A methodological framework for evaluating real-time bioaerosol classification algorithms