論文の概要: Universal Generative Modeling in Dual-domain for Dynamic MR Imaging
- arxiv url: http://arxiv.org/abs/2212.07599v1
- Date: Thu, 15 Dec 2022 03:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 17:34:52.060362
- Title: Universal Generative Modeling in Dual-domain for Dynamic MR Imaging
- Title(参考訳): ダイナミックMRIのためのデュアルドメインの普遍的生成モデリング
- Authors: Chuanming Yu, Yu Guan, Ziwen Ke, Dong Liang, Qiegen Liu
- Abstract要約: 我々は,高度にアンダーサンプリングされた測定値の再構成を行うために,k-spaceとDu-al-Domainコラボレーティブユニバーサル生成モデル(DD-UGM)を提案する。
より正確には、画像領域とk空間領域の両方の先行成分を普遍的な生成モデルで抽出し、これらの先行成分を適応的に処理し、より高速に処理する。
- 参考スコア(独自算出の注目度): 22.915796840971396
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic magnetic resonance image reconstruction from incomplete k-space data
has generated great research interest due to its capability to reduce scan
time. Never-theless, the reconstruction problem is still challenging due to its
ill-posed nature. Recently, diffusion models espe-cially score-based generative
models have exhibited great potential in algorithm robustness and usage
flexi-bility. Moreover, the unified framework through the variance exploding
stochastic differential equation (VE-SDE) is proposed to enable new sampling
methods and further extend the capabilities of score-based gener-ative models.
Therefore, by taking advantage of the uni-fied framework, we proposed a k-space
and image Du-al-Domain collaborative Universal Generative Model (DD-UGM) which
combines the score-based prior with low-rank regularization penalty to
reconstruct highly under-sampled measurements. More precisely, we extract prior
components from both image and k-space domains via a universal generative model
and adaptively handle these prior components for faster processing while
maintaining good generation quality. Experimental comparisons demonstrated the
noise reduction and detail preservation abilities of the proposed method. Much
more than that, DD-UGM can reconstruct data of differ-ent frames by only
training a single frame image, which reflects the flexibility of the proposed
model.
- Abstract(参考訳): 不完全なk空間データからの動的磁気共鳴画像再構成は、スキャン時間を短縮する能力から、大きな研究の関心を集めている。
その不適切な性質から、レコンストラクションの問題はいまだに困難である。
近年,拡散モデルespe-cially scoreに基づく生成モデルがアルゴリズムのロバスト性や使用フレキシビティに大きな可能性を示している。
さらに, 分散爆発確率微分方程式 (VE-SDE) による統合フレームワークを提案し, 新たなサンプリング法を実現し, スコアベース生成モデルの性能をさらに拡張した。
そこで本稿では,k-space と image du-al-domain collaborative universal generative model (dd-ugm) を提案する。
より正確には、画像領域とk空間領域の両方の先行成分を普遍的な生成モデルで抽出し、これらの先行成分を適応的に処理し、良好な生成品質を維持しながら高速に処理する。
提案手法の騒音低減効果と細部保存効果を実験的に比較した。
さらにdd-ugmは,提案モデルの柔軟性を反映した単一のフレームイメージのみをトレーニングすることで,異なるフレームのデータを再構成することができる。
関連論文リスト
- DuDoUniNeXt: Dual-domain unified hybrid model for single and
multi-contrast undersampled MRI reconstruction [24.937435059755288]
そこで我々はDuDoUniNeXtを提案する。DuDoUniNeXtは、不在、低品質、高品質な参照画像を含むシナリオに対応可能な、統合されたデュアルドメインMRI再構成ネットワークである。
実験により,提案モデルが最先端のSCモデルとMCモデルを大幅に上回ることを示した。
論文 参考訳(メタデータ) (2024-03-08T12:26:48Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in
Imaging Inverse Problems [78.76955228709241]
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、利用可能な測定データに特化してデノイングネットワークを適用する。
我々は多様な画像モダリティをまたいだOOD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) - 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) - Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and
Reconstruction [77.69363640021503]
3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。
本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
論文 参考訳(メタデータ) (2023-04-13T17:59:01Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - 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) - WKGM: Weight-K-space Generative Model for Parallel Imaging
Reconstruction [15.555999296521476]
我々は、フレキシブルPI再構成のためのロバストな生成モデルにより、k空間領域を探索し、ウェイト-k空間生成モデル(WKGM)を提案する。
WKGMは一般化されたk空間領域モデルであり、k空間重み付け技術と高次元空間戦略をスコアベース生成モデルトレーニングに効率的に組み込んで、良質で堅牢な再構成を行う。
種々のサンプリングパターンと加速度係数を持つデータセットの実験結果から、WKGMが最先端の再構築結果を得ることができることが示された。
論文 参考訳(メタデータ) (2022-05-08T14:28:20Z) - K-space and Image Domain Collaborative Energy based Model for Parallel
MRI Reconstruction [21.317550364310343]
磁気共鳴(MR)画像取得時間の減少は、MRI検査をよりアクセスしやすくする可能性がある。
そこで我々は,K空間と画像領域の協調生成モデルを提案し,アンダーサンプル計測からMRデータを包括的に推定する。
実験による最先端技術との比較により, 提案手法は再構成における誤差が少なく, 異なる加速度因子下では安定であることがわかった。
論文 参考訳(メタデータ) (2022-03-21T07:38:59Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Score-Based Generative Modeling through Stochastic Differential
Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。
対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。
スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。
スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文 参考訳(メタデータ) (2020-11-26T19:39:10Z) - Learning Sampling and Model-Based Signal Recovery for Compressed Sensing
MRI [30.838990115880197]
圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。
タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。
高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
論文 参考訳(メタデータ) (2020-04-22T12:50:03Z)
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。