論文の概要: High-Frequency Space Diffusion Models for Accelerated MRI

• arxiv url: http://arxiv.org/abs/2208.05481v5
• Date: Sat, 20 Jan 2024 06:13:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 00:12:36.993425
• Title: High-Frequency Space Diffusion Models for Accelerated MRI
• Title（参考訳）: 加速度MRIのための高周波空間拡散モデル
• Authors: Chentao Cao, Zhuo-Xu Cui, Yue Wang, Shaonan Liu, Taijin Chen, Hairong Zheng, Dong Liang, Yanjie Zhu
• Abstract要約: 連続微分方程式(SDE)を持つ拡散モデルは、画像生成において優れた性能を示す。 高周波空間における拡散過程と磁気共鳴(MR)再構成に適した新しいSDEを提案する。 このアプローチは、完全サンプリングされた低周波領域における決定性を保証し、逆拡散のサンプリング手順を加速する。
• 参考スコア（独自算出の注目度）: 7.985113617260289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models with continuous stochastic differential equations (SDEs) have shown superior performances in image generation. It can serve as a deep generative prior to solving the inverse problem in magnetic resonance (MR) reconstruction. However, low-frequency regions of $k$-space data are typically fully sampled in fast MR imaging, while existing diffusion models are performed throughout the entire image or $k$-space, inevitably introducing uncertainty in the reconstruction of low-frequency regions. Additionally, existing diffusion models often demand substantial iterations to converge, resulting in time-consuming reconstructions. To address these challenges, we propose a novel SDE tailored specifically for MR reconstruction with the diffusion process in high-frequency space (referred to as HFS-SDE). This approach ensures determinism in the fully sampled low-frequency regions and accelerates the sampling procedure of reverse diffusion. Experiments conducted on the publicly available fastMRI dataset demonstrate that the proposed HFS-SDE method outperforms traditional parallel imaging methods, supervised deep learning, and existing diffusion models in terms of reconstruction accuracy and stability. The fast convergence properties are also confirmed through theoretical and experimental validation. Our code and weights are available at https://github.com/Aboriginer/HFS-SDE.
• Abstract（参考訳）: 連続確率微分方程式(SDE)を用いた拡散モデルは画像生成において優れた性能を示した。 磁気共鳴(MR)再構成における逆問題の解決に先立って、深い生成物として機能する。 しかしながら、$k$-spaceデータの低周波領域は、通常、高速MRイメージングで完全にサンプリングされるが、既存の拡散モデルは、画像全体または$k$-space全体にわたって実行される。 さらに、既存の拡散モデルは、しばしば収束するために相当な反復を必要とし、結果として時間を要する再構築をもたらす。 これらの課題に対処するため,高周波数空間での拡散過程を考慮したMR再構成に適した新しいSDE(HFS-SDE)を提案する。 このアプローチは、完全サンプリングされた低周波領域における決定性を確保し、逆拡散のサンプリング手順を加速する。 HFS-SDE法は, 従来の並列画像法, 教師付き深層学習, および既存拡散モデルの再現精度, 安定性に優れることを示した。 高速収束特性は理論的および実験的検証によって確認される。 コードとウェイトはhttps://github.com/Aboriginer/HFS-SDE.comで公開されています。

関連論文リスト

• Sub-DM:Subspace Diffusion Model with Orthogonal Decomposition for MRI Reconstruction [13.418240070456987]
  サブスペース拡散モデル (Sub-DM) は、k空間のデータ分布がノイズに向かって進化するにつれて、サブスペースへの射影による拡散過程を制限するサブスペース拡散モデルである。 k空間データのコンプレックスと高次元特性によって引き起こされる推論問題を回避する。 これにより、異なる空間における拡散過程が相互フィードバック機構を通じてモデルを洗練することができ、複雑なk空間データを扱う場合でも、アクカレートの事前学習が可能になる。
  論文  参考訳（メタデータ） (2024-11-06T08:33:07Z)
• 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)
• K-space Cold Diffusion: Learning to Reconstruct Accelerated MRI without Noise [2.982793366290863]
  ガウス雑音を伴わずにk空間における画像劣化と復元を行うk空間冷拡散モデルを提案する。 以上の結果から, この新たな劣化処理により, 高速MRIのための高品質な再構成画像が生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-16T19:34:18Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models [76.46246743508651]
  我々は,現在の拡散モデルが後方認知において表現力のあるボトルネックを持っていることを示した。 本稿では,後方復調のための表現的かつ効率的なモデルであるソフトミキシング・デノナイジング(SMD)を導入する。
  論文  参考訳（メタデータ） (2023-09-25T12:03:32Z)
• SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI [14.545736786515837]
  本稿では,k空間の拡散モデルであるSPIRiT-Diffusionを紹介する。 3次元頭蓋内および頸動脈壁画像データセットを用いたSPIRiT-Diffusion法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-11T08:43:52Z)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  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。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models for Inverse Problems through Stochastic Contraction [31.61199061999173]
  拡散モデルには重要な欠点がある。純粋なガウスノイズから画像を生成するために数千ステップの反復を必要とするため、サンプリングが本質的に遅い。 ガウスノイズから始めることは不要であることを示す。代わりに、より優れた初期化を伴う単一前方拡散から始めると、逆条件拡散におけるサンプリングステップの数を大幅に減少させる。 ComeCloser-DiffuseFaster (CCDF)と呼ばれる新しいサンプリング戦略は、逆問題に対する既存のフィードフォワードニューラルネットワークアプローチが拡散モデルと相乗的に組み合わせられる方法について、新たな洞察を明らかにしている。
  論文  参考訳（メタデータ） (2021-12-09T04:28:41Z)

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。