論文の概要: Towards performant and reliable undersampled MR reconstruction via diffusion model sampling

• arxiv url: http://arxiv.org/abs/2203.04292v1
• Date: Tue, 8 Mar 2022 02:25:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 09:52:00.260317
• Title: Towards performant and reliable undersampled MR reconstruction via diffusion model sampling
• Title（参考訳）: 拡散モデルサンプリングによる高信頼アンダーサンプルMR再構成に向けて
• Authors: Cheng Peng, Pengfei Guo, S. Kevin Zhou, Vishal Patel, Rama Chellappa
• Abstract要約: DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
• 参考スコア（独自算出の注目度）: 67.73698021297022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance (MR) image reconstruction from under-sampled acquisition promises faster scanning time. To this end, current State-of-The-Art (SoTA) approaches leverage deep neural networks and supervised training to learn a recovery model. While these approaches achieve impressive performances, the learned model can be fragile on unseen degradation, e.g. when given a different acceleration factor. These methods are also generally deterministic and provide a single solution to an ill-posed problem; as such, it can be difficult for practitioners to understand the reliability of the reconstruction. We introduce DiffuseRecon, a novel diffusion model-based MR reconstruction method. DiffuseRecon guides the generation process based on the observed signals and a pre-trained diffusion model, and does not require additional training on specific acceleration factors. DiffuseRecon is stochastic in nature and generates results from a distribution of fully-sampled MR images; as such, it allows us to explicitly visualize different potential reconstruction solutions. Lastly, DiffuseRecon proposes an accelerated, coarse-to-fine Monte-Carlo sampling scheme to approximate the most likely reconstruction candidate. The proposed DiffuseRecon achieves SoTA performances reconstructing from raw acquisition signals in fastMRI and SKM-TEA.
• Abstract（参考訳）: アンダーサンプル取得によるMR画像再構成により,スキャン時間が短縮される。 この目的のために、現在のState-of-The-Art(SoTA)アプローチでは、ディープニューラルネットワークと教師付きトレーニングを使用してリカバリモデルを学ぶ。 これらのアプローチは印象的な性能を達成するが、学習されたモデルは、例えば異なる加速係数が与えられた場合など、目に見えない劣化に対して脆弱である。 これらの手法は一般に決定論的であり、不適切な問題に対する単一の解決策を提供する。 拡散モデルに基づく新しいMR再構成法であるDiffuseReconを紹介する。 DiffuseReconは、観測された信号と事前訓練された拡散モデルに基づいて生成プロセスをガイドし、特定の加速因子に関する追加のトレーニングを必要としない。 DiffuseReconは本質的に確率的であり、完全にサンプリングされたMR画像の分布から結果を生成する。 最後に、DiffuseReconは、最も可能性の高い再構築候補を近似するために、加速された、粗いモンテカルロサンプリングスキームを提案する。 提案したDiffuseReconは、高速MRIおよびSKM-TEAにおける生取得信号から再構成したSoTA性能を実現する。

関連論文リスト

• Improved Patch Denoising Diffusion Probabilistic Models for Magnetic Resonance Fingerprinting [7.379135816468852]
  MRF(Magnetic Resonance Fingerprinting)は、MRIの定量的手法である。 正確な再建を達成することは、特に高度に加速され、アンサンプされた買収において、依然として困難である。 MRF画像再構成のための条件拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-29T21:38:54Z)
• Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
  Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。 提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
  論文  参考訳（メタデータ） (2024-07-03T01:37:56Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Self-Supervised MRI Reconstruction with Unrolled Diffusion Models [27.143473617162304]
  自己監督型拡散再構成モデル(SSDiffRecon)を提案する。 SSDiffReconは、物理駆動処理のためのデータ一貫性ブロックと逆拡散ステップのためのクロスアテンショントランスフォーマーをインターリーブする条件拡散プロセスを表現する。 公開脳MRデータセットを用いた実験は、SSDiffReconの再構築速度と品質の点で、最先端の教師付きベースラインと自己教師付きベースラインに対する優位性を示す。
  論文  参考訳（メタデータ） (2023-06-29T03:31:46Z)
• CDiffMR: Can We Replace the Gaussian Noise with K-Space Undersampling for Fast MRI? [1.523157765626545]
  我々はCDiffMRと呼ばれる冷拡散型MRI再構成法を提案する。 以上の結果から,CDiffMRは最先端モデルに匹敵する,あるいは優れた再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-25T21:53:50Z)
• ReDi: Efficient Learning-Free Diffusion Inference via Trajectory Retrieval [68.7008281316644]
  ReDiは学習不要なRetrievalベースの拡散サンプリングフレームワークである。 ReDi はモデル推論効率を 2 倍高速化することを示した。
  論文  参考訳（メタデータ） (2023-02-05T03:01:28Z)
• Rethinking the optimization process for self-supervised model-driven MRI reconstruction [16.5013498806588]
  K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。 統計的に依存したノイズによるネットワークの復元劣化を低減することができる。 5つの最先端の手法よりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-18T03:41:36Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)

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。