論文の概要: Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models
- arxiv url: http://arxiv.org/abs/2306.03284v1
- Date: Mon, 5 Jun 2023 22:09:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 18:12:49.923883
- Title: Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models
- Title(参考訳): 拡散生成モデルを用いた圧縮センシングMRIのサンプリングパターンの最適化
- Authors: Sriram Ravula, Brett Levac, Ajil Jalal, Jonathan I. Tamir, Alexandros
G. Dimakis
- Abstract要約: 圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
- 参考スコア(独自算出の注目度): 75.52575380824051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-based generative models have been used as powerful priors for
magnetic resonance imaging (MRI) reconstruction. We present a learning method
to optimize sub-sampling patterns for compressed sensing multi-coil MRI that
leverages pre-trained diffusion generative models. Crucially, during training
we use a single-step reconstruction based on the posterior mean estimate given
by the diffusion model and the MRI measurement process. Experiments across
varying anatomies, acceleration factors, and pattern types show that sampling
operators learned with our method lead to competitive, and in the case of 2D
patterns, improved reconstructions compared to baseline patterns. Our method
requires as few as five training images to learn effective sampling patterns.
- Abstract(参考訳): 拡散に基づく生成モデルは磁気共鳴画像再構成(MRI)の強力な先駆体として使われてきた。
プレトレーニング拡散生成モデルを利用した圧縮型マルチコイルMRIのサブサンプリングパターンを最適化する学習手法を提案する。
重要なことは,拡散モデルとMRIによる計測プロセスにより得られた後部平均推定値に基づいて,単段階の再構成を行う。
各種解剖学,加速度因子,パターンタイプにまたがる実験により,本手法で学習したサンプリング演算子が競合し,2次元パターンの場合,ベースラインパターンと比較して再構成が改善した。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
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) - 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 Controllable Diffusion Models for Undersampled MRI Reconstruction [9.931879330594425]
本研究は,MRIのアンダーサンプル再構成のための拡散モデルの制御可能な生成を促進させる,Predictor-Projector-Noisor (PPN) と呼ばれる新しいアルゴリズムを提案する。
以上の結果から, PPNは, 他の制御可能なサンプリング法に比べて, 再構成時間を大幅に短縮した, アンサンプ付きk空間計測に適合した高忠実MR画像を生成することがわかった。
論文 参考訳(メタデータ) (2023-11-20T05:58:05Z) - 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) - Learning Energy-Based Models by Cooperative Diffusion Recovery
Likelihood [70.96045509920326]
高次元データに対する最大推定値のトレーニングエネルギーベースモデル(EBMs)は、困難かつ時間を要する可能性がある。
本研究では,データセットの雑音の増大する頂点上で定義された一連のEMMから,協調拡散回復確率(CDRL)を抽出し,抽出する手法を提案する。
CIFAR-10 と ImageNet 32x32 の既存 EBM 法と比較して FID のスコアが大幅に向上し,DRL を2倍高速化した。
論文 参考訳(メタデータ) (2023-09-10T22:05:24Z) - Correlated and Multi-frequency Diffusion Modeling for Highly
Under-sampled MRI Reconstruction [14.687337090732036]
既存のMRI再建法の多くは、特定の組織領域を考慮せずに、全MR画像のtar-geted再構成を行う。
これは、診断のための重要でない組織に対する再構成精度を強調できない可能性がある。
そこで本研究では,k空間データの特性と拡散過程を組み合わせることで,マルチ周波数先行のマイニングに焦点をあてる。
論文 参考訳(メタデータ) (2023-09-02T07:51:27Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Self-Score: Self-Supervised Learning on Score-Based Models for MRI
Reconstruction [18.264778497591603]
本稿では,MRI再構成のための完全サンプルデータフリースコアベース拡散モデルを提案する。
アンダーサンプリングされたデータに基づいて、自己監督的な方法で、完全にサンプリングされたMR画像を学ぶ。
公開データセットにおける実験により,提案手法は既存の自己教師型MRI再構成法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-02T06:21:42Z) - Solving Inverse Problems in Medical Imaging with Score-Based Generative
Models [87.48867245544106]
CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である
機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。
本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
論文 参考訳(メタデータ) (2021-11-15T05:41:12Z) - Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information
Complementary to Pre-acquired T1w MRI [52.656075914042155]
本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。
公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
論文 参考訳(メタデータ) (2021-11-11T04:04:48Z)
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。