論文の概要: Segmentation-guided MRI reconstruction for meaningfully diverse reconstructions

• arxiv url: http://arxiv.org/abs/2407.18026v1
• Date: Thu, 25 Jul 2024 13:23:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 13:58:54.108853
• Title: Segmentation-guided MRI reconstruction for meaningfully diverse reconstructions
• Title（参考訳）: 有意な多彩な再建のための分割誘導MRI再建法
• Authors: Jan Nikolas Morshuis, Matthias Hein, Christian F. Baumgartner,
• Abstract要約: 加速MRI再構成のような逆問題には問題があり、無限に可能な解が存在している。 この不確実性は主に文献では分析されていないが、確率的復元モデルは一般的に用いられている。 我々は拡散モデルに基づくMRI再構成手法を構築し,上下境界セグメンテーションに対応する有意義な2つの再構成を生成する。
• 参考スコア（独自算出の注目度）: 33.89679056028516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse problems, such as accelerated MRI reconstruction, are ill-posed and an infinite amount of possible and plausible solutions exist. This may not only lead to uncertainty in the reconstructed image but also in downstream tasks such as semantic segmentation. This uncertainty, however, is mostly not analyzed in the literature, even though probabilistic reconstruction models are commonly used. These models can be prone to ignore plausible but unlikely solutions like rare pathologies. Building on MRI reconstruction approaches based on diffusion models, we add guidance to the diffusion process during inference, generating two meaningfully diverse reconstructions corresponding to an upper and lower bound segmentation. The reconstruction uncertainty can then be quantified by the difference between these bounds, which we coin the 'uncertainty boundary'. We analyzed the behavior of the upper and lower bound segmentations for a wide range of acceleration factors and found the uncertainty boundary to be both more reliable and more accurate compared to repeated sampling. Code is available at https://github.com/NikolasMorshuis/SGR
• Abstract（参考訳）: 加速MRI再構成のような逆問題には問題があり、無限に可能な解が存在している。 これは、再構成された画像に不確実性をもたらすだけでなく、セマンティックセグメンテーションのような下流タスクにも繋がる可能性がある。 しかし、この不確実性は、確率的復元モデルが一般的に使われているにもかかわらず、文献ではほとんど分析されていない。 これらのモデルは、稀な病理のような、もっともらしいがありそうもない解決策を無視する傾向がある。 拡散モデルに基づくMRI再構成手法の構築により, 推定時の拡散過程のガイダンスを付加し, 上下境界セグメンテーションに対応する有意義な2つの再構成を生成する。 再構成の不確実性は、これらの境界の差によって定量化することができ、「不確かさ境界」を造る。 我々は, 広範囲の加速因子に対する上下境界セグメンテーションの挙動を解析し, 繰り返しサンプリングと比較して, 不確実性境界がより信頼性が高く, より正確であることを見出した。 コードはhttps://github.com/NikolasMorshuis/SGRで公開されている。

関連論文リスト

• pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
  画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。 本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:09:28Z)
• 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)
• Fill the K-Space and Refine the Image: Prompting for Dynamic and Multi-Contrast MRI Reconstruction [31.404228406642194]
  ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。 本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。 提案手法は,従来の高速MRI再建法より有意に優れていた。
  論文  参考訳（メタデータ） (2023-09-25T02:51:00Z)
• Uncertainty Estimation and Propagation in Accelerated MRI Reconstruction [1.9392807501735063]
  深層学習技術は予期せぬ失敗と幻覚構造で知られている。 十分な校正された不確実性定量化は、臨床実践においてこの技術を安全に活用するための重要な要素となるだろう。 条件付き階層的変分オートエンコーダのアイデアに基づく新しい確率的再構築手法(PHiRec)を提案する。
  論文  参考訳（メタデータ） (2023-08-04T16:41:05Z)
• PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification [0.0]
  画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。 提案手法は, 復元誤差と高い相関関係を持つ不確実性マップを生成することを実証する。 PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
  論文  参考訳（メタデータ） (2023-02-28T22:26:18Z)
• HandFlow: Quantifying View-Dependent 3D Ambiguity in Two-Hand Reconstruction with Normalizing Flow [73.7895717883622]
  条件付き正規化フローフレームワークにおける可塑性再構成の分布を明示的にモデル化する。 この課題に対して,明示的な曖昧さモデリングが適していることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:42:22Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。