論文の概要: Self-supervised Fetal MRI 3D Reconstruction Based on Radiation Diffusion
Generation Model
- arxiv url: http://arxiv.org/abs/2310.10209v1
- Date: Mon, 16 Oct 2023 09:22:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 15:28:40.266849
- Title: Self-supervised Fetal MRI 3D Reconstruction Based on Radiation Diffusion
Generation Model
- Title（参考訳）: 放射線拡散生成モデルに基づく胎児MRI3次元再構成
- Authors: Junpeng Tan, Xin Zhang, Yao Lv, Xiangmin Xu, and Gang Li
- Abstract要約: 放射線拡散生成モデル(RDGM)と呼ばれる新しい胎児脳MRI高品質容積再構成法を提案する。
超解像生成に基づく座標生成と拡散モデルに基づくニューラル放射場(NeRF)のアイデアを取り入れた自己監督型生成法である。
実世界の胎児脳MRIによる実験結果から,本手法の最先端性能が示された。
- 参考スコア（独自算出の注目度）: 13.552378275592073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although the use of multiple stacks can handle slice-to-volume motion
correction and artifact removal problems, there are still several problems: 1)
The slice-to-volume method usually uses slices as input, which cannot solve the
problem of uniform intensity distribution and complementarity in regions of
different fetal MRI stacks; 2) The integrity of 3D space is not considered,
which adversely affects the discrimination and generation of globally
consistent information in fetal MRI; 3) Fetal MRI with severe motion artifacts
in the real-world cannot achieve high-quality super-resolution reconstruction.
To address these issues, we propose a novel fetal brain MRI high-quality volume
reconstruction method, called the Radiation Diffusion Generation Model (RDGM).
It is a self-supervised generation method, which incorporates the idea of
Neural Radiation Field (NeRF) based on the coordinate generation and diffusion
model based on super-resolution generation. To solve regional intensity
heterogeneity in different directions, we use a pre-trained transformer model
for slice registration, and then, a new regionally Consistent Implicit Neural
Representation (CINR) network sub-module is proposed. CINR can generate the
initial volume by combining a coordinate association map of two different
coordinate mapping spaces. To enhance volume global consistency and
discrimination, we introduce the Volume Diffusion Super-resolution Generation
(VDSG) mechanism. The global intensity discriminant generation from
volume-to-volume is carried out using the idea of diffusion generation, and
CINR becomes the deviation intensity generation network of the volume-to-volume
diffusion model. Finally, the experimental results on real-world fetal brain
MRI stacks demonstrate the state-of-the-art performance of our method.
- Abstract（参考訳）: 複数スタックを使用すると、スライス・ツー・ボリュームの動作補正やアーティファクト削除の問題を処理できるが、まだいくつか問題がある。
1) スライス・ツー・ボリューム法は通常スライスを入力として使用するが, 異なる胎児MRIスタックの領域における均一強度分布と相補性の問題は解決できない。
2) 3次元空間の整合性は考慮されず,胎児MRIにおける一貫した情報の識別と生成に悪影響を及ぼす。
3) 実世界における重度運動アーチファクトを持つ胎児MRIでは, 高品質な超解像再構成が達成できない。
これらの問題に対処するため,我々は放射線拡散生成モデル(rdgm)と呼ばれる新しい胎児脳mri高画質ボリューム再構成法を提案する。
超解像生成に基づく座標生成と拡散モデルに基づくニューラル放射場(NeRF)の概念を取り入れた自己監督型生成法である。
異なる方向の局所強度の不均一性を解決するために,スライス登録のために事前学習したトランスフォーマモデルを用い,新しい局所一貫性を持つインシシットニューラル表現(CINR)ネットワークサブモジュールを提案する。
cinrは、2つの異なる座標マッピング空間の座標アソシエーションマップを組み合わせることで初期ボリュームを生成することができる。
ボリュームのグローバルな一貫性と差別性を高めるために,ボリューム拡散超解像生成(VDSG)機構を導入する。
体積から体積への大域的な強度差分生成は拡散生成の概念を用いて行われ、CINRは体積から体積への拡散モデルの偏差強度発生ネットワークとなる。
最後に、実際の胎児脳MRIによる実験結果から、本手法の最先端性能を実証した。
関連論文リスト
- Zero-shot Dynamic MRI Reconstruction with Global-to-local Diffusion Model [17.375064910924717]
本稿では,Glob-al-to-local Diffusion Model(Glob-al-to-local Diffusion Model)と呼ばれる時間インターリーブ取得方式に基づく動的MRI再構成手法を提案する。
提案手法は, 騒音の低減と保存の両面において良好に機能し, 教師付き手法に匹敵する再現性を実現する。
論文 参考訳（メタデータ） (2024-11-06T07:40:27Z) - Unpaired Volumetric Harmonization of Brain MRI with Conditional Latent Diffusion [13.563413478006954]
条件付き潜時拡散(HCLD)による新しい3次元MRI高調波化フレームワークを提案する。
一般化可能な3Dオートエンコーダを備え、4Dラテント空間を通じてMRIを符号化しデコードする。
HCLDは、潜伏分布を学習し、ターゲット画像スタイルで条件付きで、ソースMRIから解剖学的情報と調和したMRIを生成する。
論文 参考訳（メタデータ） (2024-08-18T00:13:48Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Robust Depth Linear Error Decomposition with Double Total Variation and
Nuclear Norm for Dynamic MRI Reconstruction [15.444386058967579]
Compressed Sensing (CS) に基づく動的MRI k-space 再構成にはまだ問題がある。
本稿では,高アンダーサンプリングフーリエ変換(DFT)を用いた高低レート動的MRI再構成モデルを提案する。
動的MRIデータに対する実験は、再構成精度と時間複雑性の両方の観点から、優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-23T13:34:59Z) - InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model [1.4126798060929953]
研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。
通常の臨床MRIスキャンは通常、低分解能(LR)である
MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。
本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-23T23:04:42Z) - 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) - 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) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2020-08-05T02:33:04Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。