論文の概要: U$^2$MRPD: Unsupervised undersampled MRI reconstruction by prompting a
large latent diffusion model
- arxiv url: http://arxiv.org/abs/2402.10609v1
- Date: Fri, 16 Feb 2024 11:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 16:26:46.921597
- Title: U$^2$MRPD: Unsupervised undersampled MRI reconstruction by prompting a
large latent diffusion model
- Title（参考訳）: U$^2$MRPD: 大きな潜伏拡散モデルによる教師なしアンサンプドMRI再構成
- Authors: Ziqi Gao, S. Kevin Zhou
- Abstract要約: トレーニング済みの大型潜伏拡散モデル(U$2$MRPD)を実証し, 教師なしMRI再建のための新しい枠組みを提案する。
実験により、U$2$MRPDは、ドメイン内のデータセット上での教師付きおよびMRI拡散法と同等または優れた性能を達成することが示された。
- 参考スコア（独自算出の注目度）: 21.81705484892258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Implicit visual knowledge in a large latent diffusion model (LLDM)
pre-trained on natural images is rich and hypothetically universal to natural
and medical images. To test this hypothesis, we introduce a novel framework for
Unsupervised Undersampled MRI Reconstruction by Prompting a pre-trained large
latent Diffusion model ( U$^2$MRPD). Existing data-driven, supervised
undersampled MRI reconstruction networks are typically of limited
generalizability and adaptability toward diverse data acquisition scenarios;
yet U$^2$MRPD supports image-specific MRI reconstruction by prompting an LLDM
with an MRSampler tailored for complex-valued MRI images. With any
single-source or diverse-source MRI dataset, U$^2$MRPD's performance is further
boosted by an MRAdapter while keeping the generative image priors intact.
Experiments on multiple datasets show that U$^2$MRPD achieves comparable or
better performance than supervised and MRI diffusion methods on in-domain
datasets while demonstrating the best generalizability on out-of-domain
datasets. To the best of our knowledge, U$^2$MRPD is the {\bf first}
unsupervised method that demonstrates the universal prowess of a LLDM, %trained
on magnitude-only natural images in medical imaging, attaining the best
adaptability for both MRI database-free and database-available scenarios and
generalizability towards out-of-domain data.
- Abstract（参考訳）: 自然画像に事前訓練された大型潜伏拡散モデル(LLDM)における暗黙的な視覚知識は、自然画像や医学画像に対して豊富で普遍的である。
この仮説を検証するために、事前訓練された大きな潜伏拡散モデル (U$^2$MRPD) を用いて、教師なしMRI再構成のための新しいフレームワークを提案する。
既存のデータ駆動型アンサンプ型MRI再構成ネットワークは、通常、様々なデータ取得シナリオに対して限定的な一般化性と適応性を持つが、U$^2$MRPDは複雑な評価されたMRI画像に適したMSSアンプでLLDMを誘導することにより、画像固有のMRI再構成をサポートする。
単一ソースまたは多様なソースのMRIデータセットでは、U$^2$MRPDのパフォーマンスはMRAdapterによってさらに向上し、生成画像の先行性は保たれる。
複数のデータセットの実験では、U$^2$MRPDは、ドメイン内データセット上での教師付きおよびMRI拡散メソッドと同等または優れたパフォーマンスを達成し、ドメイン外のデータセット上で最高の一般化可能性を示す。
我々の知る限り、U$^2$MRPDは、LLDMの普遍的な長所を実証し、医療画像におけるマグニチュードのみの自然画像に基づいて%訓練し、MRIデータベースのないシナリオとデータベース利用可能なシナリオの両方に最適な適応性とドメイン外のデータへの一般化性を実現する、制御不能な方法である。
関連論文リスト
- LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [2.3007720628527104]
The Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method was proposed。
スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。
MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
論文 参考訳（メタデータ） (2024-11-05T09:51:59Z) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - Fast Controllable Diffusion Models for Undersampled MRI Reconstruction [9.257507373275288]
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) - 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) - One for Multiple: Physics-informed Synthetic Data Boosts Generalizable
Deep Learning for Fast MRI Reconstruction [20.84830225817378]
Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。
本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。
PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
論文 参考訳（メタデータ） (2023-07-25T03:11:24Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
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。
論文 参考訳（メタデータ） (2023-06-05T22:09:06Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z)
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。