論文の概要: DP-MDM: Detail-Preserving MR Reconstruction via Multiple Diffusion Models
- arxiv url: http://arxiv.org/abs/2405.05763v1
- Date: Thu, 9 May 2024 13:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-10 13:23:01.089339
- Title: DP-MDM: Detail-Preserving MR Reconstruction via Multiple Diffusion Models
- Title（参考訳）: DP-MDM:多重拡散モデルによる詳細保存MR再構成
- Authors: Mengxiao Geng, Jiahao Zhu, Xiaolin Zhu, Qiqing Liu, Dong Liang, Qiegen Liu,
- Abstract要約: 多重拡散モデルを用いた包括的詳細保存再構成法を提案する。
このフレームワークは多スケールのサンプルデータを効果的に表現し、逆ピラミッドアーキテクチャの幅を数える。
提案手法は,臨床および公開データセットのコンダクト実験により評価された。
- 参考スコア（独自算出の注目度）: 7.601874398726257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detail features of magnetic resonance images play a cru-cial role in accurate medical diagnosis and treatment, as they capture subtle changes that pose challenges for doc-tors when performing precise judgments. However, the widely utilized naive diffusion model has limitations, as it fails to accurately capture more intricate details. To en-hance the quality of MRI reconstruction, we propose a comprehensive detail-preserving reconstruction method using multiple diffusion models to extract structure and detail features in k-space domain instead of image do-main. Moreover, virtual binary modal masks are utilized to refine the range of values in k-space data through highly adaptive center windows, which allows the model to focus its attention more efficiently. Last but not least, an inverted pyramid structure is employed, where the top-down image information gradually decreases, ena-bling a cascade representation. The framework effective-ly represents multi-scale sampled data, taking into ac-count the sparsity of the inverted pyramid architecture, and utilizes cascade training data distribution to repre-sent multi-scale data. Through a step-by-step refinement approach, the method refines the approximation of de-tails. Finally, the proposed method was evaluated by con-ducting experiments on clinical and public datasets. The results demonstrate that the proposed method outper-forms other methods.
- Abstract（参考訳）: 磁気共鳴画像の詳細な特徴は、正確な診断と治療において重要な役割を担っている。
しかし、より複雑な詳細を正確に把握できないため、広く活用されている単純拡散モデルには限界がある。
画像ドメインではなく,k空間領域の構造と詳細特徴を抽出するために,複数の拡散モデルを用いた包括的詳細保存再構成法を提案する。
さらに、仮想二元変調マスクを用いて、高度に適応されたセンターウィンドウを通じてk空間データの値範囲を洗練し、より効率的にその注意を集中させることができる。
最後に、トップダウン画像情報が徐々に減少し、カスケード表現をエナブルする逆ピラミッド構造を用いる。
このフレームワークはマルチスケールのサンプルデータを効果的に表現し、逆ピラミッドアーキテクチャの幅を数え、カスケードトレーニングデータ分布を利用してマルチスケールデータを再現する。
ステップバイステップの精細化アプローチにより、デテールの近似を洗練させる。
最後に,臨床および公開データセットのコンダクト実験により,提案手法の評価を行った。
その結果,提案手法は他の手法よりも優れていることがわかった。
関連論文リスト
- Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。
反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。
その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
論文 参考訳（メタデータ） (2024-05-27T13:44:53Z) - MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction [5.5805994093893885]
マルチスケールディフ融合モデル(MSDiff)を用いた超スパースCT再構成法を提案する。
提案モデルは,包括的サンプリングと選択的スパースサンプリング技術の両方からの情報を統合する。
プロジェクションデータ内の固有相関を利用して、同値マスクを設計し、モデルがより効果的に注意を集中できるようにする。
論文 参考訳（メタデータ） (2024-05-09T14:52:32Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Correlated and Multi-frequency Diffusion Modeling for Highly
Under-sampled MRI Reconstruction [14.687337090732036]
既存のMRI再建法の多くは、特定の組織領域を考慮せずに、全MR画像のtar-geted再構成を行う。
これは、診断のための重要でない組織に対する再構成精度を強調できない可能性がある。
そこで本研究では,k空間データの特性と拡散過程を組み合わせることで,マルチ周波数先行のマイニングに焦点をあてる。
論文 参考訳（メタデータ） (2023-09-02T07:51:27Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。
様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文 参考訳（メタデータ） (2023-08-28T08:47:06Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。
提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。
われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
論文 参考訳（メタデータ） (2023-03-18T04:06:18Z) - Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。
暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。
目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文 参考訳（メタデータ） (2022-12-04T10:40:35Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - 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。