| 講演名 | 2019-03-06 深層学習超解像を用いた磁気共鳴血管画像の復元 北崎 自然(九大), 川喜田 雅則(九大), 實松 豊(九大), 久原 重英(杏林大), 樋渡 昭雄(九大), 竹内 純一(九大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 磁気共鳴画像法(Magnetic Resonance Imaging; MRI) は生体内の情報を得る有力な手段のひとつである．しかし，脳全体の詳細な3 次元画像の取得には現在の一般的なMRI 装置で30 分から40 分程度必要であり，患者の負担軽減のため，撮影時間のさらな短縮が求められている．この10 年間，情報処理によるMRI の高速化と高精細化の研究に貢献してきたのが圧縮センシング(Compressed Sensing; CS) であった．しかし，CS のアルゴリズムは観測数の3 乗オーダーの計算量を必要とし，観測数の多いデータでは削減した検査時間以上の再構成時間を必要とするという欠点がある．この問題に対し，深層ニューラルネットワークを利用して再構成時間を短縮する手法の研究が盛んになっている．本研究では，入力画像からアンダーサンプリングで得られる複数の画像に対して深層学習による超解像を適用し，統合して出力画像を得る手法を，MRA 画像(Magnetic Resonance Angiography，磁気共鳴血管画像) に適用し検証を行った． |
| 抄録(英) | Magnetic Resonance Imaging (MRI) is one of the powerful techniques to acquire in vivo information. However, to obtain a three dimensional fine image of the whole brain, it takes thirty minutes to forty minutes by using a current standard MRI scanner. Thus, to mitigate the inconvenience of the patient, further reduction of imaging time is required. For the past 10 years, Compressed Sensing (CS) has contributed to research for acceleration and high definition of MRI by means of information processing. However, CS has a disadvantage that the computational complexity is the order of cubic of the number of samples. Thus, in the case of high resolution images, it requires a reconstruction time longer than the reduced inspection time. Recently, deep learning based approach has been intensively studied for this problem. In this research, we propose a deep learning method, in which we employ a super-resolution (SR) method based on convolutional neural networks. In our method, the SR processes are applied to various resolution images obtained from the input signal. We report the results of adapting the proposed method to MRA (Magnetic Resonance Angiography) images. |
| キーワード(和) | 核磁気共鳴画像法 / 超解像 / ディープニューラルネットワーク / 畳み込みニューラルネットワーク |
| キーワード(英) | Magnetic Reasonance Imaging / super-resolution / Deep Neural Network / Convolution Neural Network |
| 資料番号 | IBISML2018-114 |
| 発行日 | 2019-02-26 (IBISML) |
| 研究会情報 | |
| 研究会 | IBISML |
|---|---|
| 開催期間 | 2019/3/5(から2日開催) |
| 開催地（和） | 理研AIP |
| 開催地（英） | RIKEN AIP |
| テーマ（和） | 機械学習一般 |
| テーマ（英） | Machine learning, etc. |
| 委員長氏名（和） | 鹿島 久嗣(京大) |
| 委員長氏名（英） | Hisashi Kashima(Kyoto Univ.) |
| 副委員長氏名（和） | 杉山 将(東大) / 津田 宏治(東大) |
| 副委員長氏名（英） | Masashi Sugiyama(Univ. of Tokyo) / Koji Tsuda(Univ. of Tokyo) |
| 幹事氏名（和） | 竹内 一郎(名工大) / 神嶌 敏弘(産総研) |
| 幹事氏名（英） | Ichiro Takeuchi(Nagoya Inst. of Tech.) / Toshihiro Kamishima(AIST) |
| 幹事補佐氏名（和） | 岩田 具治(NTT) / 大羽 成征(京大) |
| 幹事補佐氏名（英） | Tomoharu Iwata(NTT) / Shigeyuki Oba(Kyoto Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Infomation-Based Induction Sciences and Machine Learning |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 深層学習超解像を用いた磁気共鳴血管画像の復元 |
| サブタイトル（和） | |
| タイトル（英） | Magnetic Resonance Angiography Image Restoration by Super Resolution based on Deep Learning |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 核磁気共鳴画像法 / Magnetic Reasonance Imaging |
| キーワード(2)（和/英） | 超解像 / super-resolution |
| キーワード(3)（和/英） | ディープニューラルネットワーク / Deep Neural Network |
| キーワード(4)（和/英） | 畳み込みニューラルネットワーク / Convolution Neural Network |
| 第 1 著者 氏名（和/英） | 北崎 自然 / Shizen Kitazaki |
| 第 1 著者 所属（和/英） | 九州大学(略称：九大) Kyushu University(略称：Kyushu Univ.) |
| 第 2 著者 氏名（和/英） | 川喜田 雅則 / Masanori Kawakita |
| 第 2 著者 所属（和/英） | 九州大学(略称：九大) Kyushu University(略称：Kyushu Univ.) |
| 第 3 著者 氏名（和/英） | 實松 豊 / Yutaka Jitumatu |
| 第 3 著者 所属（和/英） | 九州大学(略称：九大) Kyushu University(略称：Kyushu Univ.) |
| 第 4 著者 氏名（和/英） | 久原 重英 / Shigehide Kuhara |
| 第 4 著者 所属（和/英） | 杏林大学(略称：杏林大) Kyorin University(略称：Kyorin Univ.) |
| 第 5 著者 氏名（和/英） | 樋渡 昭雄 / Akio Hiwatashi |
| 第 5 著者 所属（和/英） | 九州大学(略称：九大) Kyushu University(略称：Kyushu Univ.) |
| 第 6 著者 氏名（和/英） | 竹内 純一 / Jun'ichi Takeuchi |
| 第 6 著者 所属（和/英） | 九州大学(略称：九大) Kyushu University(略称：Kyushu Univ.) |
| 発表年月日 | 2019-03-06 |
| 資料番号 | IBISML2018-114 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | IBISML-472 |
| ページ範囲 | pp.65-72(IBISML), |
| ページ数 | 8 |
| 発行日 | 2019-02-26 (IBISML) |