論文の概要: Score-based Generative Priors Guided Model-driven Network for MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2405.02958v1
• Date: Sun, 5 May 2024 14:56:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 17:30:59.360369
• Title: Score-based Generative Priors Guided Model-driven Network for MRI Reconstruction
• Title（参考訳）: MRI再構成のためのスコアベースモデル駆動ネットワーク
• Authors: Xiaoyu Qiao, Weisheng Li, Yuping Huang, Lijian Yang,
• Abstract要約: 本稿では,SMLD をモデル駆動型ネットワークトレーニングの先駆者と見なす新しいワークフローを提案する。 まず,事前学習したスコアネットワークを用いて,事前指導画像(PGI)として,ネットワーク再トレーニングを必要とせずにサンプルを得る。 第2に,PGIの品質向上のために,第2ステップで denoising Module (DM) を設計した。 第三に、モデル駆動型ネットワークを設計し、そのトレーニングをPGIによってガイドした。
• 参考スコア（独自算出の注目度）: 8.991899156501326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score matching with Langevin dynamics (SMLD) method has been successfully applied to accelerated MRI. However, the hyperparameters in the sampling process require subtle tuning, otherwise the results can be severely corrupted by hallucination artifacts, particularly with out-of-distribution test data. In this study, we propose a novel workflow in which SMLD results are regarded as additional priors to guide model-driven network training. First, we adopted a pretrained score network to obtain samples as preliminary guidance images (PGI) without the need for network retraining, parameter tuning and in-distribution test data. Although PGIs are corrupted by hallucination artifacts, we believe that they can provide extra information through effective denoising steps to facilitate reconstruction. Therefore, we designed a denoising module (DM) in the second step to improve the quality of PGIs. The features are extracted from the components of Langevin dynamics and the same score network with fine-tuning; hence, we can directly learn the artifact patterns. Third, we designed a model-driven network whose training is guided by denoised PGIs (DGIs). DGIs are densely connected with intermediate reconstructions in each cascade to enrich the features and are periodically updated to provide more accurate guidance. Our experiments on different sequences revealed that despite the low average quality of PGIs, the proposed workflow can effectively extract valuable information to guide the network training, even with severely reduced training data and sampling steps. Our method outperforms other cutting-edge techniques by effectively mitigating hallucination artifacts, yielding robust and high-quality reconstruction results.
• Abstract（参考訳）: Langevin dynamics (SMLD) 法とのスコアマッチングは, MRI の高速化に成功している。 しかし、サンプリングプロセスのハイパーパラメータは微妙なチューニングが必要であり、そうでなければ幻覚的アーティファクト、特にアウト・オブ・ディストリビューションテストデータによって結果を悪化させることができる。 本研究では,SMLDをモデル駆動型ネットワークトレーニングの先駆者と見なす新しいワークフローを提案する。 まず,予備指導画像(PGI)として,ネットワークリトレーニング,パラメータチューニング,分散テストデータを必要としない事前学習スコアネットワークを適用した。 PGIは幻覚アーチファクトによって破損するが、再建を容易にする効果的な妄想的なステップを通じて追加情報を提供できると信じている。 そこで本研究では,PGIの品質向上のために,第2ステップで denoising Module (DM) を設計した。 これらの特徴はLangevin Dynamicsのコンポーネントと、微調整で同じスコアネットワークから抽出されるため、アーティファクトパターンを直接学習することができる。 第3に、DGI(denoized PGIs)によるトレーニングを指導するモデル駆動ネットワークを設計した。 DGIは各カスケードの中間再構築と密接な関係があり、特徴を充実させ、より正確なガイダンスを提供するために定期的に更新される。 提案手法は,PGIの平均的品質が低いにもかかわらず,トレーニングデータやサンプリングステップを著しく減らした場合でも,ネットワークトレーニングのガイドとして有用な情報を効果的に抽出できることを示した。 本手法は,幻覚を効果的に緩和し,ロバストかつ高品質な再建結果を得られることにより,他の最先端技術よりも優れた性能を発揮する。

関連論文リスト

• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• 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)
• Inference Stage Denoising for Undersampled MRI Reconstruction [13.8086726938161]
  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。
  論文  参考訳（メタデータ） (2024-02-12T12:50:10Z)
• Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
  合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。 実験結果から,本手法は既存手法よりも一貫した改善が得られた。 我々の手法はデータ効率が良く、競争のベースラインより優れています。
  論文  参考訳（メタデータ） (2023-11-27T06:19:50Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• A theoretical framework for self-supervised MR image reconstruction using sub-sampling via variable density Noisier2Noise [0.0]
  我々は、Noisier2Noiseフレームワークを使用して、Data UnderSuperviseを介して自己サンプル学習のパフォーマンスを解析的に説明します。 サンプル集合を分割して、サブセットが元のサンプリングマスクと同じ種類の分布を持つようにすることを提案する。
  論文  参考訳（メタデータ） (2022-05-20T16:19:23Z)
• Hard Sample Aware Noise Robust Learning for Histopathology Image Classification [4.75542005200538]
  病理組織像分類のための新しいハードサンプル認識型ノイズロバスト学習法を提案する。 本研究は, 難燃性難燃性試料と難燃性試料とを識別するため, 簡易・難燃性検出モデルを構築した。 本稿では,雑音抑圧・高強度化(NSHE)方式を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:07:55Z)

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。