論文の概要: X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models
- arxiv url: http://arxiv.org/abs/2404.19604v1
- Date: Tue, 30 Apr 2024 14:53:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 13:55:56.809466
- Title: X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models
- Title（参考訳）: X線拡散:断面拡散モデルを用いた1つの画像から詳細な3次元MRIボリュームを生成する
- Authors: Emmanuelle Bourigault, Abdullah Hamdi, Amir Jamaludin,
- Abstract要約: X-拡散(X-Diffusion)は磁気共鳴イメージング(MRI)データに適した断面拡散モデルである。
X-Diffusionは、1つのフルボディDXAから詳細な3DMRIボリュームを生成することができる。
注目すべきは、MRIは、腫瘍のプロファイル、脊椎曲率、脳の容積など、オリジナルのMRIの本質的な特徴を完璧に保持していることだ。
- 参考スコア（独自算出の注目度）: 6.046082223332061
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we present X-Diffusion, a cross-sectional diffusion model tailored for Magnetic Resonance Imaging (MRI) data. X-Diffusion is capable of generating the entire MRI volume from just a single MRI slice or optionally from few multiple slices, setting new benchmarks in the precision of synthesized MRIs from extremely sparse observations. The uniqueness lies in the novel view-conditional training and inference of X-Diffusion on MRI volumes, allowing for generalized MRI learning. Our evaluations span both brain tumour MRIs from the BRATS dataset and full-body MRIs from the UK Biobank dataset. Utilizing the paired pre-registered Dual-energy X-ray Absorptiometry (DXA) and MRI modalities in the UK Biobank dataset, X-Diffusion is able to generate detailed 3D MRI volume from a single full-body DXA. Remarkably, the resultant MRIs not only stand out in precision on unseen examples (surpassing state-of-the-art results by large margins) but also flawlessly retain essential features of the original MRI, including tumour profiles, spine curvature, brain volume, and beyond. Furthermore, the trained X-Diffusion model on the MRI datasets attains a generalization capacity out-of-domain (e.g. generating knee MRIs even though it is trained on brains). The code is available on the project website https://emmanuelleb985.github.io/XDiffusion/ .
- Abstract（参考訳）: 本研究では磁気共鳴画像(MRI)データに適した断面拡散モデルであるX-Diffusionを提案する。
X-Diffusionは、1つのMRIスライスから、または数個のMRIスライスからMRI全体のボリュームを生成することができる。
その独特さは、MRIボリューム上のX拡散の、新しい視野条件訓練と推論にあり、一般化されたMRI学習を可能にしている。
我々の評価は、BRATSデータセットの脳腫瘍MRIとUK BiobankデータセットのフルボディMRIの両方に及んでいる。
英国バイオバンクのデータセットにおけるDXA(Dual-Eergy X-ray Absorptiometry)とMRIモダリティを使って、X-Diffusionは1つのフルボディDXAから詳細な3D MRIボリュームを生成することができる。
注目すべきは、結果として得られたMRIは、目に見えない例(大きなマージンで最先端の結果を追い越す)の精度だけでなく、腫瘍プロファイル、脊椎曲率、脳の容積など、オリジナルのMRIの本質的な特徴を完璧に保持していることだ。
さらに、MRIデータセット上のトレーニングされたX-拡散モデルは、領域外(例えば、脳でトレーニングされたとしても膝MRIを生成する)の一般化能力を達成する。
コードはプロジェクトのWebサイト https://emmanuelleb985.github.io/XDiffusion/ で公開されている。
関連論文リスト
- Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
定量的MRI(qMRI)を利用したシーケンス不変な自己教師型フレームワークを提案する。
健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
また,本モデルは,よりスケーラブルで臨床的に信頼性の高いボリューム分析の可能性を示した。
論文 参考訳（メタデータ） (2025-01-21T11:27:54Z) - MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。
拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
論文 参考訳（メタデータ） (2024-12-25T00:55:05Z) - 3D MedDiffusion: A 3D Medical Diffusion Model for Controllable and High-quality Medical Image Generation [47.701856217173244]
制御可能な高品質な3次元医用画像生成のための3Dメディカルディフュージョン(3Dメドディフュージョン)モデル
3D MedDiffusionは、パッチワイドエンコーディングによって医療画像を潜在空間に圧縮する、新しくて高効率なPatch-Volume Autoencoderを組み込んでいる。
3D MedDiffusion は, 再生品質において最先端の手法を超越し, スパースビューCT再構成, 高速MRI再構成, データ拡張などのタスクに強い一般化性を示すことを示す。
論文 参考訳（メタデータ） (2024-12-17T16:25:40Z) - Slice-Consistent 3D Volumetric Brain CT-to-MRI Translation with 2D Brownian Bridge Diffusion Model [3.4248731707266264]
神経画像では、一般的に、脳のCTはMRIよりも費用効率が高く、アクセスしやすい。
医用画像・画像翻訳(I2I)は有望な解決策である。
本研究は,2次元 DM のみに基づく高品質な3次元医療用 I2I を実現する最初の試みである。
論文 参考訳（メタデータ） (2024-07-06T12:13:36Z) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - 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) - Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse
Problems [7.074380879971194]
本稿では,3次元ボリューム再構成のための2次半順序スコアベースモデル(TOSM)を提案する。
トレーニング期間中、TOSMは2次元空間のデータ分布を学習し、トレーニングの複雑さを低減する。
再構成フェーズでは、TOSMは3方向の相補的なスコアを利用して、3次元空間のデータ分布を更新する。
論文 参考訳（メタデータ） (2023-08-16T17:07:40Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - 3D Reconstruction and Segmentation of Dissection Photographs for
MRI-free Neuropathology [2.4984854046383624]
脳郭清画像から全脳像量を再構成・分画する手法を提案する。
3次元再構成は、MRI以外の参照ボリュームを使用する共同登録フレームワークによって達成される。
我々は,Diceスコアとボリューム相関を用いて,24脳のデータセット上で本手法の評価を行った。
論文 参考訳（メタデータ） (2020-09-11T18:21:00Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z)
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。