論文の概要: Inference Stage Denoising for Undersampled MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2402.08692v1
- Date: Mon, 12 Feb 2024 12:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 18:20:22.335344
- Title: Inference Stage Denoising for Undersampled MRI Reconstruction
- Title（参考訳）: アンダーサンプドMRI再建における推測段階の検討
- Authors: Yuyang Xue, Chen Qin, Sotirios A. Tsaftaris
- Abstract要約: 磁気共鳴画像(MRI)データの再構成は、ディープラーニングによって肯定的な影響を受けている。
重要な課題は、トレーニングとテストデータ間の分散シフトへの一般化を改善することだ。
- 参考スコア（独自算出の注目度）: 13.8086726938161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of magnetic resonance imaging (MRI) data has been positively
affected by deep learning. A key challenge remains: to improve generalisation
to distribution shifts between the training and testing data. Most approaches
aim to address this via inductive design or data augmentation. However, they
can be affected by misleading data, e.g. random noise, and cases where the
inference stage data do not match assumptions in the modelled shifts. In this
work, by employing a conditional hyperparameter network, we eliminate the need
of augmentation, yet maintain robust performance under various levels of
Gaussian noise. We demonstrate that our model withstands various input noise
levels while producing high-definition reconstructions during the test stage.
Moreover, we present a hyperparameter sampling strategy that accelerates the
convergence of training. Our proposed method achieves the highest accuracy and
image quality in all settings compared to baseline methods.
- Abstract（参考訳）: 磁気共鳴画像(MRI)データの再構成はディープラーニングによって肯定的な影響を受けている。
重要な課題は、トレーニングとテストデータ間の分散シフトへの一般化を改善することだ。
ほとんどのアプローチは、インダクティブ設計やデータ拡張を通じてこれに対処することを目指している。
しかし、ランダムノイズなどの誤解を招くデータや、推論段階データがモデル化されたシフトの仮定と一致しない場合の影響を受けやすい。
本研究では,条件付きハイパーパラメータネットワークを用いることで,拡張の必要性を排除し,ガウス雑音のレベルにおいて頑健な性能を維持する。
実験段階では,様々な入力ノイズレベルに耐えつつ,高精細度復元を行うことを実証する。
さらに,トレーニングの収束を加速するハイパーパラメータサンプリング戦略を提案する。
提案手法は,ベースライン法と比較して,全ての設定において高い精度と画質を実現する。
関連論文リスト
- Self-Supervised Pre-training Tasks for an fMRI Time-series Transformer in Autism Detection [3.665816629105171]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、様々な症状や障害の程度を包含する神経発達障害である。
我々は,関数接続を計算せずに時系列fMRIデータを直接解析するトランスフォーマーベースの自己教師型フレームワークを開発した。
ランダムにROIをマスキングすると、トレーニング前のステップでランダムにマスキングする時間ポイントよりも、モデル性能が向上することを示す。
論文 参考訳（メタデータ） (2024-09-18T20:29:23Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。
そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。
提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
論文 参考訳（メタデータ） (2024-03-08T12:07:18Z) - DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。
DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。
最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
論文 参考訳（メタデータ） (2023-10-18T17:07:05Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
生成学習の観点からSED問題を再構築する。
具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。
トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
論文 参考訳（メタデータ） (2023-08-14T17:29:41Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Progressive Subsampling for Oversampled Data -- Application to
Quantitative MRI [3.9783356854895024]
本稿では,オーバーサンプリングされたデータセットをサブサンプル化する,ディープラーニングベースの自動化手法であるP propSUBを提案する。
我々はMICCAI MUlti-DIffusion (MUDI) の定量的MRI計測・サンプリング・再構成の挑戦に勝利した最近のデュアルネットワークアプローチを構築した。
ProSUBはMUDIチャレンジサブタスクの勝者よりも優れており,下流プロセスの質的改善が臨床応用に有用であることを示す。
論文 参考訳（メタデータ） (2022-03-17T11:44:07Z) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳（メタデータ） (2021-05-15T02:01:21Z) - Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。
学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。
非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文 参考訳（メタデータ） (2020-12-15T07:09:02Z)
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。