論文の概要: Q-space Conditioned Translation Networks for Directional Synthesis of
Diffusion Weighted Images from Multi-modal Structural MRI
- arxiv url: http://arxiv.org/abs/2106.13188v1
- Date: Thu, 24 Jun 2021 17:09:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 15:11:31.751842
- Title: Q-space Conditioned Translation Networks for Directional Synthesis of
Diffusion Weighted Images from Multi-modal Structural MRI
- Title（参考訳）: 多モード構造MRIによる拡散重み画像の方向合成のためのQ空間条件付き翻訳ネットワーク
- Authors: Mengwei Ren, Heejong Kim, Neel Dey, Guido Gerig
- Abstract要約: 任意の$q$-spaceサンプリングによる高品質DWI合成のための生成逆変換フレームワークを提案する。
我々の翻訳ネットワークは、連続的な$q$-space情報に基づいて、内部表現を線形に変調する。
このアプローチにより、任意のサブサンプルDWIから高品質なミクロ構造図を下流で推定できる。
- 参考スコア（独自算出の注目度）: 0.43012765978447565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current deep learning approaches for diffusion MRI modeling circumvent the
need for densely-sampled diffusion-weighted images (DWIs) by directly
predicting microstructural indices from sparsely-sampled DWIs. However, they
implicitly make unrealistic assumptions of static $q$-space sampling during
training and reconstruction. Further, such approaches can restrict downstream
usage of variably sampled DWIs for usages including the estimation of
microstructural indices or tractography. We propose a generative adversarial
translation framework for high-quality DWI synthesis with arbitrary $q$-space
sampling given commonly acquired structural images (e.g., B0, T1, T2). Our
translation network linearly modulates its internal representations conditioned
on continuous $q$-space information, thus removing the need for fixed sampling
schemes. Moreover, this approach enables downstream estimation of high-quality
microstructural maps from arbitrarily subsampled DWIs, which may be
particularly important in cases with sparsely sampled DWIs. Across several
recent methodologies, the proposed approach yields improved DWI synthesis
accuracy and fidelity with enhanced downstream utility as quantified by the
accuracy of scalar microstructure indices estimated from the synthesized
images. Code is available at
https://github.com/mengweiren/q-space-conditioned-dwi-synthesis.
- Abstract（参考訳）: 拡散MRIモデリングにおける最近のディープラーニングアプローチは、疎サンプリングDWIから直接ミクロ組織指標を予測することによって、密度サンプリング拡散強調画像(DWI)の必要性を回避する。
しかし、トレーニングと再構築の間に静的$q$-spaceサンプリングの非現実的な仮定を暗黙的に行う。
さらに、このような手法は、マイクロ構造指標やトラクトグラフィーの推定を含む使用法として、可変サンプルDWIの下流での使用を制限することができる。
得られた構造画像(例えば、B0, T1, T2)を任意の$q$-spaceサンプリングで合成し、高品質なDWI合成のための生成逆変換フレームワークを提案する。
我々の翻訳ネットワークは、連続的な$q$-space情報に基づく内部表現を線形に変調し、固定サンプリングスキームの必要性をなくす。
さらに, この手法により, 疎サンプルDWIでは特に重要となる, 任意のサブサンプリングDWIから高品質な微構造マップを下流で推定することができる。
近年,提案手法により,合成画像から推定されるスカラー微細構造指標の精度により,dwi合成精度の向上と下流ユーティリティの高信頼化が実現されている。
コードはhttps://github.com/mengweiren/q-space-conditioned-dwi- synthesisで入手できる。
関連論文リスト
- Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Latent Consistency Models: Synthesizing High-Resolution Images with
Few-Step Inference [60.32804641276217]
本稿では,LCM(Latent Consistency Models)を提案する。
高品質の768 x 768 24-step LCMは、トレーニングに32A100 GPU時間しかかからない。
また,画像データセットの微調整に適した新しいLCM法であるLCF(Latent Consistency Fine-tuning)についても紹介する。
論文 参考訳（メタデータ） (2023-10-06T17:11:58Z) - Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。
計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。
我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
論文 参考訳（メタデータ） (2023-06-09T07:02:43Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - How can spherical CNNs benefit ML-based diffusion MRI parameter
estimation? [2.4417196796959906]
球状畳み込みニューラルネットワーク(S-CNN)は、従来の完全連結ネットワーク(FCN)に対して明確な優位性を提供する
拡散強調画像(DWI)のみからなるdMRIデータを取得する現況
論文 参考訳（メタデータ） (2022-07-01T17:49:26Z) - A theoretical framework for self-supervised MR image reconstruction
using sub-sampling via variable density Noisier2Noise [0.0]
我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。
サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
論文 参考訳（メタデータ） (2022-05-20T16:19:23Z) - PUERT: Probabilistic Under-sampling and Explicable Reconstruction
Network for CS-MRI [47.24613772568027]
圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。
本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。
2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
論文 参考訳（メタデータ） (2022-04-24T04:23:57Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Enhancing Fiber Orientation Distributions using convolutional Neural
Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。
パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価
本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文 参考訳（メタデータ） (2020-08-12T16:06:25Z) - Compressive MRI quantification using convex spatiotemporal priors and
deep auto-encoders [2.5060548079588516]
マルチパラメトリック画像計算のための辞書不要パイプラインを提案する。
提案手法は,圧縮型センシング再構成と定量的推論の2段階からなる。
論文 参考訳（メタデータ） (2020-01-23T17:15:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。