論文の概要: MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion

• arxiv url: http://arxiv.org/abs/2203.12621v1
• Date: Wed, 23 Mar 2022 10:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 12:42:10.586835
• Title: MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion
• Title（参考訳）: 正則逆拡散法によるMR画像の劣化と超解像
• Authors: Hyungjin Chung, Eun Sun Lee, Jong Chul Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.62448918459113
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Patient scans from MRI often suffer from noise, which hampers the diagnostic capability of such images. As a method to mitigate such artifact, denoising is largely studied both within the medical imaging community and beyond the community as a general subject. However, recent deep neural network-based approaches mostly rely on the minimum mean squared error (MMSE) estimates, which tend to produce a blurred output. Moreover, such models suffer when deployed in real-world sitautions: out-of-distribution data, and complex noise distributions that deviate from the usual parametric noise models. In this work, we propose a new denoising method based on score-based reverse diffusion sampling, which overcomes all the aforementioned drawbacks. Our network, trained only with coronal knee scans, excels even on out-of-distribution in vivo liver MRI data, contaminated with complex mixture of noise. Even more, we propose a method to enhance the resolution of the denoised image with the same network. With extensive experiments, we show that our method establishes state-of-the-art performance, while having desirable properties which prior MMSE denoisers did not have: flexibly choosing the extent of denoising, and quantifying uncertainty.
• Abstract（参考訳）: MRIの患者スキャンは、しばしばノイズに悩まされ、そのような画像の診断能力を損なう。 このようなアーティファクトを緩和する方法として、デノイジングは医用画像のコミュニティ内と一般の主題としてのコミュニティ外の両方で広く研究されている。 しかし、最近のディープニューラルネットワークベースのアプローチは、主に、ぼやけた出力を生成する傾向にある最小平均二乗誤差(MMSE)推定に依存する。 さらに、そのようなモデルが現実のシチュエーションに展開される際には、アウト・オブ・ディストリビューションデータや、通常のパラメトリックノイズモデルから逸脱する複雑なノイズ分布に悩まされる。 本研究では,上記すべての欠点を克服したスコアベース逆拡散サンプリングに基づく新しい雑音除去手法を提案する。 われわれのネットワークは, 冠状膝関節スキャンのみを用いて訓練され, 生体内MRIデータにおいても, 複雑なノイズ混入で汚染されている。 さらに,同一ネットワーク上でのデノベーション画像の解像度を向上させる手法を提案する。 実験により,本手法は,従来のMMSE復調器では得られない望ましい特性,すなわちフレキシブルに denoising の程度を選択し,不確実性を定量化しながら,最先端の性能を確立した。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
  従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。 本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。 スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
  論文  参考訳（メタデータ） (2023-06-12T21:53:32Z)
• DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models [0.3149883354098941]
  本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。 本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
  論文  参考訳（メタデータ） (2023-02-06T18:56:39Z)
• 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)
• Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images Using a Convolutional Neural Network and Transfer Learning [0.0]
  本稿では,現実的な合成MRデータに基づいて訓練された畳み込みニューラルネットワークを用いて,脳の拡散強調画像(DWI)を識別する手法を提案する。 提案手法の適用により,繰り返しスキャンする回数を減らすことにより,スキャン時間の大幅な削減が可能となった。
  論文  参考訳（メタデータ） (2022-06-01T08:14:35Z)
• Ultrasound Speckle Suppression and Denoising using MRI-derived Normalizing Flow Priors [16.741462523436848]
  本稿では,非教師付き超音波スペックル低減法と画像復調法を提案する。 この方法は、他の(教師なし)超音波復調法(NLMおよびOBNLM)を定量的および定性的に上回る。
  論文  参考訳（メタデータ） (2021-12-24T17:21:24Z)
• Stochastic Image Denoising by Sampling from the Posterior Distribution [25.567566997688044]
  少量のMSEを維持しながら、実行可能で高品質の結果を生み出す新しい消音アプローチを提案します。 本手法は, MMSEデノイザーの繰り返し適用に依存したランゲビンダイナミクスを用い, 後方分布から効果的にサンプリングすることにより, 再構成画像を得る。 その知覚性のため、提案アルゴリズムは与えられたノイズ入力に対して様々な高品質な出力を生成することができる。
  論文  参考訳（メタデータ） (2021-01-23T18:28:19Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。