論文の概要: Adaptive Diffusion Priors for Accelerated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2207.05876v1
- Date: Tue, 12 Jul 2022 22:45:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 15:37:17.134397
- Title: Adaptive Diffusion Priors for Accelerated MRI Reconstruction
- Title(参考訳): 加速MRIにおける適応拡散前処理
- Authors: Salman UH Dar, \c{S}aban \"Ozt\"urk, Yilmaz Korkmaz, Gokberk Elmas,
Muzaffer \"Ozbey, Alper G\"ung\"or, Tolga \c{C}ukur
- Abstract要約: 条件付きモデルは、アンダーサンプリングされたデータを入力として、完全にサンプリングされたデータに出力としてマッピングする。
非条件モデルは、領域シフトに対する信頼性を改善するために生成画像の事前を学習する。
本稿では適応拡散に基づく新しいMRI再構成であるAdaDiffを提案する。
- 参考スコア(独自算出の注目度): 0.2770822269241974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep MRI reconstruction is commonly performed with conditional models that
map undersampled data as input onto fully-sampled data as output. Conditional
models perform de-aliasing under knowledge of the accelerated imaging operator,
so they poorly generalize under domain shifts in the operator. Unconditional
models are a powerful alternative that instead learn generative image priors to
improve reliability against domain shifts. Recent diffusion models are
particularly promising given their high representational diversity and sample
quality. Nevertheless, projections through a static image prior can lead to
suboptimal performance. Here we propose a novel MRI reconstruction, AdaDiff,
based on an adaptive diffusion prior. To enable efficient image sampling, an
adversarial mapper is introduced that enables use of large diffusion steps. A
two-phase reconstruction is performed with the trained prior: a rapid-diffusion
phase that produces an initial reconstruction, and an adaptation phase where
the diffusion prior is updated to minimize reconstruction loss on acquired
k-space data. Demonstrations on multi-contrast brain MRI clearly indicate that
AdaDiff achieves superior performance to competing models in cross-domain
tasks, and superior or on par performance in within-domain tasks.
- Abstract(参考訳): ディープMRI再構成は通常、アンダーサンプリングされたデータを入力として完全サンプリングされたデータに出力としてマッピングする条件付きモデルで実行される。
条件付きモデルは、加速された撮像作用素の知識の下でデエイリアスを行うため、演算子の領域シフトの下では不十分な一般化を行う。
非条件モデルは、ドメインシフトに対する信頼性を改善するために、生成イメージを事前に学習する強力な代替手段である。
最近の拡散モデルは、その表現の多様性とサンプルの品質から特に有望である。
それでも、前もって静的イメージによるプロジェクションは、最適でないパフォーマンスにつながる可能性がある。
本稿では適応拡散に基づく新しいMRI再構成であるAdaDiffを提案する。
効率的な画像サンプリングを実現するため、大きな拡散ステップを利用できる対向マッパーが導入された。
初期再構成を生成する急速拡散相と、得られたk空間データに対する再構成損失を最小限に抑えるために拡散前を更新する適応相とを、訓練前の2相再構成を行う。
マルチコントラスト脳mriのデモンストレーションは、adadiffがクロスドメインタスクの競合モデルよりも優れたパフォーマンスを達成し、ドメイン内タスクにおいて同等か同等かを示している。
関連論文リスト
- Ambient Diffusion Posterior Sampling: Solving Inverse Problems with
Diffusion Models trained on Corrupted Data [56.81246107125692]
Ambient Diffusion Posterior Smpling (A-DPS) は、ある種類の腐敗に対して事前訓練された生成モデルである。
A-DPSは、いくつかの画像復元タスクにおいて、クリーンなデータで訓練されたモデルよりも、速度と性能の両方で優れていることが示される。
我々はAmbient Diffusionフレームワークを拡張して、FourierサブサンプルのマルチコイルMRI測定にのみアクセスしてMRIモデルをトレーニングする。
論文 参考訳(メタデータ) (2024-03-13T17:28:20Z) - Improving Diffusion-Based Image Synthesis with Context Prediction [49.186366441954846]
既存の拡散モデルは、主に、劣化した画像から空間軸に沿って画素幅または特徴幅の制約で入力画像を再構成しようとする。
文脈予測を用いて拡散に基づく画像合成を改善するためのConPreDiffを提案する。
我々のConPreDiffは従来手法を一貫して上回り、ゼロショットFIDスコア6.21で、MS-COCO上で新たなSOTAテキスト・画像生成結果を達成する。
論文 参考訳(メタデータ) (2024-01-04T01:10:56Z) - vSHARP: variable Splitting Half-quadratic ADMM algorithm for
Reconstruction of inverse-Problems [7.694990352622926]
MRI再建では、不十分な逆問題が発生し、十分なクローズドフォーム解析解が得られない。
逆問題再構成のための教師付き分割半四分法ADMMアルゴリズム(vSHARP)を提案する。
本稿では,vSHARPの優れた性能に着目し,最先端手法による実験結果の比較分析を行った。
論文 参考訳(メタデータ) (2023-09-18T17:26:22Z) - DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [73.8274638090392]
本稿では,事前訓練したテキスト・画像拡散モデルを利用したブラインド画像復元問題に対するDiffBIRを提案する。
本稿では, インジェクティブ変調サブネットワーク -- LAControlNet を微調整用として導入し, 事前学習した安定拡散はその生成能力を維持することを目的としている。
実験では、ブラインド画像の超解像とブラインド顔復元の両タスクにおいて、最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2023-08-29T07:11:52Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly
Detection [89.49600182243306]
我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。
本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。
セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
論文 参考訳(メタデータ) (2023-03-15T16:14:06Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳(メタデータ) (2022-10-25T08:34:29Z) - Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。
FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。
FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
論文 参考訳(メタデータ) (2022-02-08T22:17:57Z) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳(メタデータ) (2021-05-15T02:01:21Z) - TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。
トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。
第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
論文 参考訳(メタデータ) (2021-04-02T01:42:01Z) - Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of
Generative Model [24.024765099719886]
反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。
本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。
再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
論文 参考訳(メタデータ) (2020-09-27T06:36:39Z)
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。