Fugu-MT 論文翻訳(概要): SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI

論文の概要: SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI

arxiv url: http://arxiv.org/abs/2304.05060v2
Date: Sat, 20 Apr 2024 06:14:34 GMT
ステータス: 処理完了
システム内更新日: 2024-04-24 01:32:01.854750
Title: SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for Accelerated MRI
Title（参考訳）: SPIRiT-Diffusion: 加速度MRIのための自己整合駆動拡散モデル
Authors: Zhuo-Xu Cui, Chentao Cao, Yue Wang, Sen Jia, Jing Cheng, Xin Liu, Hairong Zheng, Dong Liang, Yanjie Zhu,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 14.545736786515837
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion models have emerged as a leading methodology for image generation and have proven successful in the realm of magnetic resonance imaging (MRI) reconstruction. However, existing reconstruction methods based on diffusion models are primarily formulated in the image domain, making the reconstruction quality susceptible to inaccuracies in coil sensitivity maps (CSMs). k-space interpolation methods can effectively address this issue but conventional diffusion models are not readily applicable in k-space interpolation. To overcome this challenge, we introduce a novel approach called SPIRiT-Diffusion, which is a diffusion model for k-space interpolation inspired by the iterative self-consistent SPIRiT method. Specifically, we utilize the iterative solver of the self-consistent term (i.e., k-space physical prior) in SPIRiT to formulate a novel stochastic differential equation (SDE) governing the diffusion process. Subsequently, k-space data can be interpolated by executing the diffusion process. This innovative approach highlights the optimization model's role in designing the SDE in diffusion models, enabling the diffusion process to align closely with the physics inherent in the optimization model, a concept referred to as model-driven diffusion. We evaluated the proposed SPIRiT-Diffusion method using a 3D joint intracranial and carotid vessel wall imaging dataset. The results convincingly demonstrate its superiority over image-domain reconstruction methods, achieving high reconstruction quality even at a substantial acceleration rate of 10.
Abstract（参考訳）: 拡散モデルは画像生成の指導的手法として登場し、磁気共鳴画像再構成(MRI)の領域で成功している。しかし、拡散モデルに基づく既存の再構成法は主に画像領域で定式化されており、コイル感度マップ(CSM)における不正確性に影響を受けやすい。 k空間補間法はこの問題に効果的に対処できるが、従来の拡散モデルはk空間補間では容易に適用できない。この課題を克服するために,反復自己整合SPIRiT法に着想を得たk空間補間拡散モデルであるSPIRiT-Diffusionを提案する。具体的には、SPIRiTにおける自己整合項(k-空間物理先行項)の反復解法を用いて、拡散過程を管理する新しい確率微分方程式(SDE)を定式化する。その後、拡散処理を行うことでk空間データを補間することができる。この革新的なアプローチは、拡散モデルにおいてSDEを設計する際の最適化モデルの役割を強調し、拡散プロセスは、モデル駆動拡散と呼ばれる概念である最適化モデルに固有の物理学と密に一致させることができる。頭蓋内3次元画像と頸動脈壁画像を用いたSPIRiT-Diffusion法について検討した。その結果, 画像領域再構築法よりも精度が高く, 10。

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)
G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
論文参考訳（メタデータ） (2024-10-09T06:18:25Z)
Iterative CT Reconstruction via Latent Variable Optimization of Shallow Diffusion Models [1.4019041243188557]
拡散確率モデルと反復CT再構成を組み合わせた新しいCT再構成法を提案する。提案手法の有効性を1/10プロジェクションデータのスパースプロジェクションCT再構成を用いて実証した。
論文参考訳（メタデータ） (2024-08-06T12:55:17Z)
Distilling Diffusion Models into Conditional GANs [90.76040478677609]
複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
論文参考訳（メタデータ） (2024-05-09T17:59:40Z)
TC-DiffRecon: Texture coordination MRI reconstruction method based on diffusion model and modified MF-UNet method [2.626378252978696]
本稿では,T-DiffReconという名前の拡散モデルに基づくMRI再構成法を提案する。また、モデルにより生成されたMRI画像の品質を高めるために、MF-UNetモジュールを組み込むことを提案する。
論文参考訳（メタデータ） (2024-02-17T13:09:00Z)
Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution [0.0]
現在の手法では、劣化が知られており、復元と多様性の点で印象的な結果をもたらすと仮定している。本研究では、これらのモデルの効率を活用し、復元された画像と未知のパラメータを共同で推定する。本手法は,拡散モデルから抽出したサンプルを用いて,問題の対数類似度を近似し,未知のモデルパラメータを推定する方法とを交互に比較する。
論文参考訳（メタデータ） (2023-09-01T06:47:13Z)
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)
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)
A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。そこで我々は,真の後続分布を近似する設計手法を提案する。
論文参考訳（メタデータ） (2023-05-07T23:00:47Z)
Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文参考訳（メタデータ） (2022-10-11T15:53:52Z)
High-Frequency Space Diffusion Models for Accelerated MRI [7.985113617260289]
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。
論文参考訳（メタデータ） (2022-08-10T14:04:20Z)

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。