| 講演抄録／キーワード |
| 講演名 |
2021-07-16 14:00
MR画像の深層学習再構成におけるハーフフーリエ法と非ランダム信号間引きによる高品質画像再構成の検討
○宮本裕大・伊藤聡志（宇都宮大） |
| 抄録 |
（和） |
MRIの撮像時間を短縮化する方法の一つに圧縮センシングの応用があり，画像を再構成する方法として深層学習を使用する方法が注目を集めている．圧縮センシングでは, 一般にランダムに信号を間引く方法がとられるが，信号の収集密度が高いほど高画質画像が得られる．MRIの撮像法に信号のおよそ半分を収集し，画像を再構成するハーフフーリエ法がある．圧縮センシングをハーフフーリエ法に応用する場合に信号空間の片側に信号を集めた方が信号の収集密度が高くなるため高画質化できる可能性がある．本研究では，新たに深層学習再構成にハーフフーリエ法を適用し, かつ，信号のランダム間引きと非ランダムな等間隔間引きの併用による再構成について検討を行った. 結果, ハーフフーリエ法を適用した場合と,等間隔間引きを採用する方が高画質な画像を再構成できる可能性が示された. |
| （英） |
Compressed Sensing has the potential to reduce the scan time of MRI, and recently, deep learning has attract at tensions for reconstructing high quality images. In the application of CS to MR imaging, data acquisition points are skipped randomly in signal space. Generally, image quality improves in proportion to the sampling density of signal. Half Fourier imaging (HF) is well-known MR fast imaging method in which almost half of the signal in signal space are acquired. When CS is combined with HF, image quality improvement is expected with the increase of the sampling density which is achieved by acquiring a given number of signals on one side of the signal space. In this study, we discuss the image quality obtained in deep learning reconstruction for CS with HF using random or regular under-sampling patterns. It was shown that higher quality images were obtained when HF were combined with CS and regular under-sampling patterns were used. |
| キーワード |
（和） |
深層学習 / 圧縮センシング / ハーフフーリエ法 / 高速撮像 / / / / |
| （英） |
Deep Learning / Compressed Sensing / Half Fourier Encoding / MRI / / / / |
| 文献情報 |
映情学技報, vol. 45, no. 18, ME2021-63, pp. 9-11, 2021年7月. |
| 資料番号 |
ME2021-63 |
| 発行日 |
2021-07-09 (ME) |
| ISSN |
Print edition: ISSN 1342-6893 Online edition: ISSN 2424-1970 |
| PDFダウンロード |
|
| 研究会情報 |
| 研究会 |
ME |
| 開催期間 |
2021-07-16 - 2021-07-16 |
| 開催地（和） |
オンライン開催 |
| 開催地（英） |
Online |
| テーマ（和） |
画像処理・マルチメディア情報処理・インタフェースとその応用,一般 |
| テーマ（英） |
|
| 講演論文情報の詳細 |
| 申込み研究会 |
ME |
| 会議コード |
2021-07-ME |
| 本文の言語 |
日本語 |
| タイトル（和） |
MR画像の深層学習再構成におけるハーフフーリエ法と非ランダム信号間引きによる高品質画像再構成の検討 |
| サブタイトル（和） |
|
| タイトル（英） |
Image Quality Improvements Using Half Fourier Encoding Method and Non-random Signal Under-sampling in CS-MRI Deep Learning Reconstruction |
| サブタイトル（英） |
|
| キーワード(1)（和/英） |
深層学習 / Deep Learning |
| キーワード(2)（和/英） |
圧縮センシング / Compressed Sensing |
| キーワード(3)（和/英） |
ハーフフーリエ法 / Half Fourier Encoding |
| キーワード(4)（和/英） |
高速撮像 / MRI |
| キーワード(5)（和/英） |
/ |
| キーワード(6)（和/英） |
/ |
| キーワード(7)（和/英） |
/ |
| キーワード(8)（和/英） |
/ |
| 第1著者 氏名（和/英/ヨミ） |
宮本 裕大 / Yuta Miyamoto / ミヤモト ユウタ |
| 第1著者 所属（和/英） |
宇都宮大学 (略称： 宇都宮大)
Utsunomiya University (略称： Utsunomiya Univ.) |
| 第2著者 氏名（和/英/ヨミ） |
伊藤 聡志 / Satoshi Ito / イトウ サトシ |
| 第2著者 所属（和/英） |
宇都宮大学 (略称： 宇都宮大)
Utsunomiya University (略称： Utsunomiya Univ.) |
| 第3著者 氏名（和/英/ヨミ） |
/ / |
| 第3著者 所属（和/英） |
(略称： )
(略称： ) |
| 第4著者 氏名（和/英/ヨミ） |
/ / |
| 第4著者 所属（和/英） |
(略称： )
(略称： ) |
| 第5著者 氏名（和/英/ヨミ） |
/ / |
| 第5著者 所属（和/英） |
(略称： )
(略称： ) |
| 第6著者 氏名（和/英/ヨミ） |
/ / |
| 第6著者 所属（和/英） |
(略称： )
(略称： ) |
| 第7著者 氏名（和/英/ヨミ） |
/ / |
| 第7著者 所属（和/英） |
(略称： )
(略称： ) |
| 第8著者 氏名（和/英/ヨミ） |
/ / |
| 第8著者 所属（和/英） |
(略称： )
(略称： ) |
| 第9著者 氏名（和/英/ヨミ） |
/ / |
| 第9著者 所属（和/英） |
(略称： )
(略称： ) |
| 第10著者 氏名（和/英/ヨミ） |
/ / |
| 第10著者 所属（和/英） |
(略称： )
(略称： ) |
| 第11著者 氏名（和/英/ヨミ） |
/ / |
| 第11著者 所属（和/英） |
(略称： )
(略称： ) |
| 第12著者 氏名（和/英/ヨミ） |
/ / |
| 第12著者 所属（和/英） |
(略称： )
(略称： ) |
| 第13著者 氏名（和/英/ヨミ） |
/ / |
| 第13著者 所属（和/英） |
(略称： )
(略称： ) |
| 第14著者 氏名（和/英/ヨミ） |
/ / |
| 第14著者 所属（和/英） |
(略称： )
(略称： ) |
| 第15著者 氏名（和/英/ヨミ） |
/ / |
| 第15著者 所属（和/英） |
(略称： )
(略称： ) |
| 第16著者 氏名（和/英/ヨミ） |
/ / |
| 第16著者 所属（和/英） |
(略称： )
(略称： ) |
| 第17著者 氏名（和/英/ヨミ） |
/ / |
| 第17著者 所属（和/英） |
(略称： )
(略称： ) |
| 第18著者 氏名（和/英/ヨミ） |
/ / |
| 第18著者 所属（和/英） |
(略称： )
(略称： ) |
| 第19著者 氏名（和/英/ヨミ） |
/ / |
| 第19著者 所属（和/英） |
(略称： )
(略称： ) |
| 第20著者 氏名（和/英/ヨミ） |
/ / |
| 第20著者 所属（和/英） |
(略称： )
(略称： ) |
| 講演者 |
第1著者 |
| 発表日時 |
2021-07-16 14:00:00 |
| 発表時間 |
30分 |
| 申込先研究会 |
ME |
| 資料番号 |
ME2021-63 |
| 巻番号（vol） |
vol.45 |
| 号番号（no） |
no.18 |
| ページ範囲 |
pp.9-11 |
| ページ数 |
3 |
| 発行日 |
2021-07-09 (ME) |
|