Publication

Regularizing Deep-Neural-Network Paradigm for the Reconstruction of Dynamic Magnetic Resonance Images

Michaël Unser
2023

Résumé

In this chapter, we provide an overview of a recent image-reconstruction method that uses a deep generative algorithm for dynamic magnetic resonance-imaging (dMRI). We begin by briefly introducing the imaging modality of dMRI, the associated image-reconstruction problem, and existing reconstruction approaches. Next, we introduce the time-dependent deep image prior (TD-DIP), which exploits the structure of convolutional neural networks (CNNs) as a regularizing prior. We show some representative results and discuss the pros and cons of this regularizing paradigm. Finally, we discuss a few potential remaining limitations.

Source officielle

https://infoscience.epfl.ch/entities/publication/c627f842-7622-4c6d-bcb0-762a42e105d5

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.

Michaël Unser
2023

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/c627f842-7622-4c6d-bcb0-762a42e105d5

À propos de ce résultat

Concepts associés (32)

Tomographic reconstruction

Tomographic reconstruction is a type of multidimensional inverse problem where the challenge is to yield an estimate of a specific system from a finite number of projections. The mathematical basis for tomographic imaging was laid down by Johann Radon. A notable example of applications is the reconstruction of computed tomography (CT) where cross-sectional images of patients are obtained in non-invasive manner.

Iterative reconstruction

Iterative reconstruction refers to iterative algorithms used to reconstruct 2D and 3D images in certain imaging techniques. For example, in computed tomography an image must be reconstructed from projections of an object. Here, iterative reconstruction techniques are usually a better, but computationally more expensive alternative to the common filtered back projection (FBP) method, which directly calculates the image in a single reconstruction step.

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Afficher plus

Publications associées (17)

Afficher plus

Regularizing Deep-Neural-Network Paradigm for the Reconstruction of Dynamic Magnetic Resonance Images

Chattez avec Graph Search

Automatic Quality Control in Multi-centric Fetal Brain MRI Super-Resolution Reconstruction

Exploring Causal Information Bottleneck for Adversarial Defense

SPAD Image Sensors with Embedded Intelligence