論文の概要: Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI
- arxiv url: http://arxiv.org/abs/2403.05245v2
- Date: Wed, 31 Jul 2024 14:53:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 20:25:13.758489
- Title: Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI
- Title(参考訳): 加速度MRIのロバスト再構成のための雑音レベル適応拡散モデル
- Authors: Shoujin Huang, Guanxiong Luo, Xi Wang, Ziran Chen, Yuwan Wang, Huaishui Yang, Pheng-Ann Heng, Lingyan Zhang, Mengye Lyu,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 34.361078452552945
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In general, diffusion model-based MRI reconstruction methods incrementally remove artificially added noise while imposing data consistency to reconstruct the underlying images. However, real-world MRI acquisitions already contain inherent noise due to thermal fluctuations. This phenomenon is particularly notable when using ultra-fast, high-resolution imaging sequences for advanced research, or using low-field systems favored by low- and middle-income countries. These common scenarios can lead to sub-optimal performance or complete failure of existing diffusion model-based reconstruction techniques. Specifically, as the artificially added noise is gradually removed, the inherent MRI noise becomes increasingly pronounced, making the actual noise level inconsistent with the predefined denoising schedule and consequently inaccurate image reconstruction. To tackle this problem, we propose a posterior sampling strategy with a novel NoIse Level Adaptive Data Consistency (Nila-DC) operation. Extensive experiments are conducted on two public datasets and an in-house clinical dataset with field strength ranging from 0.3T to 3T, showing that our method surpasses the state-of-the-art MRI reconstruction methods, and is highly robust against various noise levels. The code for Nila is available at https://github.com/Solor-pikachu/Nila.
- Abstract(参考訳): 一般に、拡散モデルに基づくMRI再構成法は、画像の再構成にデータ一貫性を付与しながら、人工的な付加ノイズを段階的に除去する。
しかし、現実のMRIは熱ゆらぎによる固有のノイズを既に含んでいる。
この現象は、先進的な研究のために超高速で高解像度の画像シーケンスを使用する場合や、低所得国や中所得国に好まれる低フィールドシステムを使用する場合、特に顕著である。
これらの一般的なシナリオは、既存の拡散モデルに基づく再構築手法の準最適性能や完全な失敗につながる可能性がある。
具体的には、人工的な付加ノイズが徐々に除去されるにつれて、固有のMRIノイズがますます顕著になり、実際のノイズレベルが予め定義された復調スケジュールと矛盾し、結果として不正確な画像再構成が行われる。
この問題に対処するために,新しいNila-DC(NoIse Level Adaptive Data Consistency)演算を用いた後方サンプリング手法を提案する。
2つの公開データセットと0.3Tから3Tまでのフィールド強度を持つ社内臨床データセットを用いて大規模な実験を行い、この手法が最先端の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ことを示した。
Nilaのコードはhttps://github.com/Solor-pikachu/Nila.comで公開されている。
関連論文リスト
- DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic
Models [11.068359534951783]
DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。
我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。
その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
論文 参考訳(メタデータ) (2023-12-08T06:11:21Z) - 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) - Diffusion Modeling with Domain-conditioned Prior Guidance for
Accelerated MRI and qMRI Reconstruction [3.083408283778178]
本研究では,ネイティブデータ領域に条件付き拡散モデルに基づく画像再構成手法を提案する。
提案手法は,特に加速係数の高い画像の再構成において,有意義な可能性を証明している。
論文 参考訳(メタデータ) (2023-09-02T01:33:50Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳(メタデータ) (2023-07-12T00:01:00Z) - Self-Supervised MRI Reconstruction with Unrolled Diffusion Models [27.143473617162304]
自己監督型拡散再構成モデル(SSDiffRecon)を提案する。
SSDiffReconは、物理駆動処理のためのデータ一貫性ブロックと逆拡散ステップのためのクロスアテンショントランスフォーマーをインターリーブする条件拡散プロセスを表現する。
公開脳MRデータセットを用いた実験は、SSDiffReconの再構築速度と品質の点で、最先端の教師付きベースラインと自己教師付きベースラインに対する優位性を示す。
論文 参考訳(メタデータ) (2023-06-29T03:31:46Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - 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) - DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative
Diffusion Models [0.3149883354098941]
本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。
本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
論文 参考訳(メタデータ) (2023-02-06T18:56:39Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - MR Image Denoising and Super-Resolution Using Regularized Reverse
Diffusion [38.62448918459113]
本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。
当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
論文 参考訳(メタデータ) (2022-03-23T10:35:06Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-11-18T03:06:25Z)
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。