論文の概要: A 3D Conditional Diffusion Model for Image Quality Transfer -- An
Application to Low-Field MRI
- arxiv url: http://arxiv.org/abs/2311.06631v1
- Date: Sat, 11 Nov 2023 18:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 17:45:01.340461
- Title: A 3D Conditional Diffusion Model for Image Quality Transfer -- An
Application to Low-Field MRI
- Title(参考訳): 画像品質伝達のための3次元条件拡散モデル -低磁場MRIへの応用-
- Authors: Seunghoi Kim, Henry F. J. Tregidgo, Ahmed K. Eldaly, Matteo Figini,
Daniel C. Alexander
- Abstract要約: 低磁場(LF)MRIスキャナは、限られたリソースや信頼性の低い電源の設定で依然として一般的である。
彼らはしばしば、高磁場(HF)スキャナよりも空間分解能とコントラストの低い画像を生成する。
画像品質伝達(IQT)は,低画質画像と高画質画像のマッピング関数を学習することにより,画像の品質を高めるために開発された。
- 参考スコア(独自算出の注目度): 3.1342829196938937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-field (LF) MRI scanners (<1T) are still prevalent in settings with
limited resources or unreliable power supply. However, they often yield images
with lower spatial resolution and contrast than high-field (HF) scanners. This
quality disparity can result in inaccurate clinician interpretations. Image
Quality Transfer (IQT) has been developed to enhance the quality of images by
learning a mapping function between low and high-quality images. Existing IQT
models often fail to restore high-frequency features, leading to blurry output.
In this paper, we propose a 3D conditional diffusion model to improve 3D
volumetric data, specifically LF MR images. Additionally, we incorporate a
cross-batch mechanism into the self-attention and padding of our network,
ensuring broader contextual awareness even under small 3D patches. Experiments
on the publicly available Human Connectome Project (HCP) dataset for IQT and
brain parcellation demonstrate that our model outperforms existing methods both
quantitatively and qualitatively. The code is publicly available at
\url{https://github.com/edshkim98/DiffusionIQT}.
- Abstract(参考訳): 低磁場(lf)mriスキャナー(<1t)は、限られたリソースや信頼性の低い電源でまだ普及している。
しかし、高磁場(HF)スキャナよりも空間分解能とコントラストの低い画像が得られることが多い。
この品質格差は、不正確な臨床解釈をもたらす可能性がある。
画像品質伝達(IQT)は,低画質画像と高画質画像のマッピング関数を学習することにより,画像の品質を高めるために開発された。
既存のIQTモデルは、しばしば高周波の特徴の復元に失敗し、ぼやけた出力をもたらす。
本稿では,3次元ボリュームデータ,特にLF MR画像を改善するための3次元条件拡散モデルを提案する。
さらに,ネットワークの自己注意とパディングにクロスバッチ機構を組み込んで,小さな3Dパッチの下でもより広いコンテキスト認識を確保する。
IQTと脳解析のためのHuman Connectome Project(HCP)データセットの実験は、我々のモデルが既存の手法よりも定量的かつ質的に優れていることを示した。
コードは \url{https://github.com/edshkim98/DiffusionIQT} で公開されている。
関連論文リスト
- Energy-Based Prior Latent Space Diffusion model for Reconstruction of Lumbar Vertebrae from Thick Slice MRI [9.44498543364625]
腰椎問題はユビキタスであり、治療計画とガイド付き介入のための標的画像の研究を動機付けている。
薄いスライスMRI」は、高平面解像度で高速な撮像を優先するが、可変コントラストと低平面解像度で行う。
本稿では,高画質の画像生成を行う拡散モデルを活用するために,遅延空間拡散エネルギーを用いた手法を提案する。
論文 参考訳(メタデータ) (2024-11-30T15:34:46Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - Autoregressive Image Diffusion: Generation of Image Sequence and Application in MRI [2.0318411357438086]
生成モデルは画像分布を学習し、アンサンプされたk空間データから高品質な画像の再構成に使用できる。
画像系列に対する自己回帰画像拡散(AID)モデルを提案し,それを後部MRI再構成のサンプリングに用いた。
その結果,AIDモデルは逐次コヒーレントな画像列を確実に生成できることがわかった。
論文 参考訳(メタデータ) (2024-05-23T08:57:10Z) - QSMDiff: Unsupervised 3D Diffusion Models for Quantitative Susceptibility Mapping [12.629091097618792]
定量的感受性マッピング(QSM)はMRI組織相からの磁気感受性分布の逆問題である。
拡散モデルの最近の進歩は、2次元医用画像逆問題の解決の可能性を示している。
我々は3次元画像パッチに基づく拡散モデル、すなわちQSMDiffを開発し、様々なスキャンパラメータにわたって堅牢なQSM再構成を行った。
論文 参考訳(メタデータ) (2024-03-21T01:37:50Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - Low-field magnetic resonance image enhancement via stochastic image
quality transfer [5.0300525464861385]
低磁場(1T)磁気共鳴イメージング(MRI)スキャナーは、低所得国や中所得国(LMICs)で広く使われている。
低磁場MR画像は通常、高分解能画像(1.5T、3T以上)よりも解像度が低くコントラストが低い。
そこで本研究では、低磁場画像から高磁場で得られた画像から低磁場構造体MRIを推定することにより、画像品質変換(IQT)を提案する。
論文 参考訳(メタデータ) (2023-04-26T08:52:29Z) - NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from
3D-aware Diffusion [107.67277084886929]
単一の画像からの新しいビュー合成には、オブジェクトやシーンの隠蔽領域を推論すると同時に、入力とのセマンティックおよび物理的整合性を同時に維持する必要がある。
そこで我々は,NerfDiffを提案する。NerfDiffは3D対応条件拡散モデル(CDM)の知識を,テスト時に仮想ビューの集合を合成・精製することで,NeRFに抽出することでこの問題に対処する。
さらに,CDMサンプルから3次元一貫した仮想ビューを同時に生成し,改良された仮想ビューに基づいてNeRFを微調整する新しいNeRF誘導蒸留アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-20T17:12:00Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳(メタデータ) (2021-04-04T20:30:14Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - 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) - Image Quality Transfer Enhances Contrast and Resolution of Low-Field
Brain MRI in African Paediatric Epilepsy Patients [1.8884732354822316]
1.5T または 3T スキャナーは、現在の臨床MRIの標準であるが、低磁場 (1T) スキャナーは、多くの低所得国や中所得国で依然として一般的である。
ローフィールドスキャナーは、等価解像度での信号対雑音比の低い画像を提供する。
画像品質伝達の最近のパラダイムは、0.36T構造画像を強化するために適用されている。
論文 参考訳(メタデータ) (2020-03-16T13:46:58Z)
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。