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
- Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - 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) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳(メタデータ) (2023-06-05T14:06:40Z) - Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI
Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。
トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。
画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文 参考訳(メタデータ) (2023-02-18T06:11:49Z) - 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) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - 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) - 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) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。