論文の概要: On Instabilities of Unsupervised Denoising Diffusion Models in Magnetic Resonance Imaging Reconstruction

• arxiv url: http://arxiv.org/abs/2406.16983v1
• Date: Sun, 23 Jun 2024 19:44:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 19:00:25.383608
• Title: On Instabilities of Unsupervised Denoising Diffusion Models in Magnetic Resonance Imaging Reconstruction
• Title（参考訳）: 磁気共鳴画像再構成における教師なし除音拡散モデルの不安定性について
• Authors: Tianyu Han, Sven Nebelung, Firas Khader, Jakob Nikolas Kather, Daniel Truhn,
• Abstract要約: 代理モデルから転送される最小のケースでも、これらのモデルが偽の組織構造を発生させる可能性がある。 このような最悪の摂動の伝達性は、画像再構成の堅牢性を損なう可能性があることを示している。
• 参考スコア（独自算出の注目度）: 1.811105613701224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Denoising diffusion models offer a promising approach to accelerating magnetic resonance imaging (MRI) and producing diagnostic-level images in an unsupervised manner. However, our study demonstrates that even tiny worst-case potential perturbations transferred from a surrogate model can cause these models to generate fake tissue structures that may mislead clinicians. The transferability of such worst-case perturbations indicates that the robustness of image reconstruction may be compromised due to MR system imperfections or other sources of noise. Moreover, at larger perturbation strengths, diffusion models exhibit Gaussian noise-like artifacts that are distinct from those observed in supervised models and are more challenging to detect. Our results highlight the vulnerability of current state-of-the-art diffusion-based reconstruction models to possible worst-case perturbations and underscore the need for further research to improve their robustness and reliability in clinical settings.
• Abstract（参考訳）: デノイング拡散モデルは、MRI(MRI)を加速し、教師なしの方法で診断レベルの画像を生成するための有望なアプローチを提供する。 しかし、我々の研究は、サロゲートモデルから転送される最小のケースの潜在的摂動でさえ、これらのモデルが臨床医を誤解させるかもしれない偽の組織構造を発生させる可能性があることを実証した。 このような最悪の摂動の伝達性は、MRシステム不完全性や他のノイズ源により、画像再構成の堅牢性が損なわれる可能性があることを示唆している。 さらに、より大きな摂動強度では、拡散モデルは、監督されたモデルで観察されるものと異なるガウス的なノイズのようなアーチファクトを示し、検出することがより困難である。 以上の結果から,現在最先端の拡散型再建モデルが最悪の場合の摂動の可能性を示唆し,臨床環境における堅牢性と信頼性の向上に向けたさらなる研究の必要性を浮き彫りにしている。

関連論文リスト

• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [36.79912410985013]
  拡散モデル(diffusion model)は、再構成忠実度に大きな可能性を示す、深層生成モデルの新たなクラスである。 雑音のない入力画像の潜在表現から得られる画像の再構成のために,拡散モデルのデノナイズ機構を画像に関する追加情報で条件付けることを提案する。 この条件付けにより、入力-再構成ペアの局所強度特性を整列させながら、健康な脳構造を高忠実に再構築することができる。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• 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)
• K-space Cold Diffusion: Learning to Reconstruct Accelerated MRI without Noise [2.982793366290863]
  ガウス雑音を伴わずにk空間における画像劣化と復元を行うk空間冷拡散モデルを提案する。 以上の結果から, この新たな劣化処理により, 高速MRIのための高品質な再構成画像が生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-16T19:34:18Z)
• Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models [76.46246743508651]
  我々は,現在の拡散モデルが後方認知において表現力のあるボトルネックを持っていることを示した。 本稿では,後方復調のための表現的かつ効率的なモデルであるソフトミキシング・デノナイジング(SMD)を導入する。
  論文  参考訳（メタデータ） (2023-09-25T12:03:32Z)
• 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)
• Mask, Stitch, and Re-Sample: Enhancing Robustness and Generalizability in Anomaly Detection through Automatic Diffusion Models [8.540959938042352]
  本稿では,拡散モデルのロバスト性を高める新しい手法であるAutoDDPMを提案する。 結合ノイズ分布再サンプリングにより、AutoDDPMは調和効果と塗装効果を達成する。 これはまた、現在の拡散モデルの限界に関する貴重な洞察と分析にも貢献する。
  論文  参考訳（メタデータ） (2023-05-31T08:21:17Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• 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)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)
• Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model [0.2578242050187029]
  本稿では,信号の代わりにノイズから学習するための拡散確率モデルを提案する。 本手法は,簡単な作業パイプラインと少量のトレーニングデータを用いて,画像品質を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-01-27T19:02:38Z)

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。