論文の概要: NUQ: A Noise Metric for Diffusion MRI via Uncertainty Discrepancy
Quantification
- arxiv url: http://arxiv.org/abs/2203.01921v2
- Date: Fri, 4 Mar 2022 20:12:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 12:22:00.666208
- Title: NUQ: A Noise Metric for Diffusion MRI via Uncertainty Discrepancy
Quantification
- Title(参考訳): NUQ:不確かさの量子化による拡散MRIのノイズメトリクス
- Authors: Shreyas Fadnavis, Jens Sj\"olund, Anders Eklund, Eleftherios
Garyfallidis
- Abstract要約: 地中真実参照画像が存在しない場合の定量的画像品質解析のためのノイズ不確実性定量化(NUQ)を提案する。
NUQは最近のベイズ的dMRIモデルの定式化を用いて、ミクロ構造測定の不確かさを推定している。
NUQはノイズのきめ細かい分析を可能にし、視覚的に知覚できない詳細を捉える。
- 参考スコア(独自算出の注目度): 3.058685580689605
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diffusion MRI (dMRI) is the only non-invasive technique sensitive to tissue
micro-architecture, which can, in turn, be used to reconstruct tissue
microstructure and white matter pathways. The accuracy of such tasks is
hampered by the low signal-to-noise ratio in dMRI. Today, the noise is
characterized mainly by visual inspection of residual maps and estimated
standard deviation. However, it is hard to estimate the impact of noise on
downstream tasks based only on such qualitative assessments. To address this
issue, we introduce a novel metric, Noise Uncertainty Quantification (NUQ), for
quantitative image quality analysis in the absence of a ground truth reference
image. NUQ uses a recent Bayesian formulation of dMRI models to estimate the
uncertainty of microstructural measures. Specifically, NUQ uses the maximum
mean discrepancy metric to compute a pooled quality score by comparing samples
drawn from the posterior distribution of the microstructure measures. We show
that NUQ allows a fine-grained analysis of noise, capturing details that are
visually imperceptible. We perform qualitative and quantitative comparisons on
real datasets, showing that NUQ generates consistent scores across different
denoisers and acquisitions. Lastly, by using NUQ on a cohort of schizophrenics
and controls, we quantify the substantial impact of denoising on group
differences.
- Abstract(参考訳): 拡散MRI(dMRI)は組織微細構造に敏感な唯一の非侵襲的手法であり、組織微細構造と白質経路の再構築に使用できる。
このようなタスクの精度は、dMRIの低信号対雑音比によって妨げられる。
今日、ノイズは主に残留地図の視覚的検査と推定標準偏差によって特徴付けられる。
しかし,このような質的評価だけでは,下流課題に対する騒音の影響を推定することは困難である。
そこで本研究では, 基礎的真理参照画像が存在しない場合の定量的画像品質解析のための新しい指標, ノイズ不確かさ定量化(nuq)を提案する。
NUQは最近のベイズ的dMRIモデルの定式化を用いて、ミクロ構造測定の不確かさを推定している。
具体的には、NUQは、最大平均誤差測定値を用いて、マイクロ構造測定の後方分布から得られたサンプルを比較して、プールされた品質スコアを算出する。
NUQはノイズのきめ細かい分析を可能にし、視覚的に知覚できない詳細を捉える。
実際のデータセットに対して定性的および定量的な比較を行い、NUQが異なるデノイザと取得に対して一貫したスコアを生成することを示す。
最後に, 統合失調症とコントロールのコホートにnuqを使用することにより, グループ差に対する分別の影響を定量化する。
関連論文リスト
- qMRI Diffusor: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model [1.1278063431495107]
我々は、深部生成モデルを利用したqMRIの新しいアプローチであるqMRI Diffusorを提案する。
その結果,パラメータ推定の精度と精度が向上し,視覚性能も向上することが示唆された。
論文 参考訳(メタデータ) (2024-07-23T13:49:19Z) - Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。
提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文 参考訳(メタデータ) (2023-12-11T06:50:27Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - MR Image Denoising and Super-Resolution Using Regularized Reverse
Diffusion [38.62448918459113]
本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。
当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
論文 参考訳(メタデータ) (2022-03-23T10:35:06Z) - A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation [4.104181348044472]
タスクと異なるk空間アーティファクトに関連する不確実性のソースを分離する新しいCNNアーキテクチャを提案する。
課題の観点から,我々の不確実性予測はMRIの画質をよりよく推定できることを示す。
論文 参考訳(メタデータ) (2021-09-06T12:54:44Z) - Nonparametric posterior learning for emission tomography with multimodal
data [1.6500749121196991]
我々は,最近提案された非パラメトリック後方学習手法を,エミッショントモグラフィーにおけるポアソン型データの文脈に適用した。
我々は,並列化が容易で,拡張性があり,実装が容易なサンプリングアルゴリズムを導出する。
我々は, マルコフ連鎖の混合時間を大幅に増大させることを理論的, 数値的に示す。
論文 参考訳(メタデータ) (2021-07-29T12:43:02Z) - Adaptive Multi-View ICA: Estimation of noise levels for optimal
inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。
AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。
実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文 参考訳(メタデータ) (2021-02-22T13:10:12Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳(メタデータ) (2021-02-12T18:08:14Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳(メタデータ) (2020-04-15T15:46:09Z)
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。