論文の概要: Robust Simultaneous Multislice MRI Reconstruction Using Deep Generative Priors
- arxiv url: http://arxiv.org/abs/2407.21600v2
- Date: Thu, 23 Jan 2025 07:53:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-24 15:56:31.728410
- Title: Robust Simultaneous Multislice MRI Reconstruction Using Deep Generative Priors
- Title（参考訳）: 深部生成前駆体を用いたロバスト同時マルチスライスMRI再構成
- Authors: Shoujin Huang, Guanxiong Luo, Yunlin Zhao, Yilong Liu, Yuwan Wang, Kexin Yang, Jingzhe Liu, Hua Guo, Min Wang, Lingyan Zhang, Mengye Lyu,
- Abstract要約: 提案手法は, より深い生成先に基づく頑健なSMS MRI再構成手法であるROGERを紹介する。
本手法では,低周波拡張 (LFE) モジュールを組み込んで,SMS加速高速スピンエコー (FSE) とエコー平面画像 (EPI) が完全サンプリング自己校正信号を容易に埋め込むことができないという現実的な問題に対処する。
- 参考スコア（独自算出の注目度）: 4.735790956167054
- License:
- Abstract: Simultaneous multislice (SMS) imaging is a powerful technique for accelerating magnetic resonance imaging (MRI) acquisitions. However, SMS reconstruction remains challenging due to complex signal interactions between and within the excited slices. In this study, we introduce ROGER, a robust SMS MRI reconstruction method based on deep generative priors. Utilizing denoising diffusion probabilistic models (DDPM), ROGER begins with Gaussian noise and gradually recovers individual slices through reverse diffusion iterations while enforcing data consistency from measured k-space data within the readout concatenation framework. The posterior sampling procedure is designed such that the DDPM training can be performed on single-slice images without requiring modifications for SMS tasks. Additionally, our method incorporates a low-frequency enhancement (LFE) module to address the practical issue that SMS-accelerated fast spin echo (FSE) and echo planar imaging (EPI) sequences cannot easily embed fully-sampled autocalibration signals. Extensive experiments on both retrospectively and prospectively accelerated datasets demonstrate that ROGER consistently outperforms existing methods, enhancing both anatomical and functional imaging with strong out-of-distribution generalization. The source code and sample data for ROGER are available at https://github.com/Solor-pikachu/ROGER.
- Abstract（参考訳）: 同時マルチスライス(SMS)イメージングはMRI取得を加速させる強力な技術である。
しかし、励起スライス間の複雑な信号相互作用のため、SMSの再構築は依然として困難である。
そこで本研究では, 深部生成の先行性に基づく頑健なSMS MRI 再構成手法 ROGER を紹介する。
拡散確率モデル(DDPM)を用いて、ROGERはガウス雑音から始まり、逆拡散繰り返しを通じて個々のスライスを徐々に復元し、読み出し結合フレームワーク内の測定k空間データからデータ一貫性を強制する。
後方サンプリング手順は、SMSタスクの修正を必要とせずに、単一スライス画像上でDDPMトレーニングを行うことができるように設計されている。
さらに、SMSによる高速スピンエコー(FSE)とエコープラナーイメージング(EPI)のシーケンスが完全サンプリングされた自己校正信号を容易に埋め込むことができないという現実的な問題に対処するために、低周波拡張(LFE)モジュールを組み込んだ。
振り返りおよび前向きに加速されたデータセットの広範な実験は、ROGERが既存の手法より一貫して優れており、強力な分布外一般化による解剖学的および機能的イメージングの両方を向上していることを示している。
ROGERのソースコードとサンプルデータはhttps://github.com/Solor-pikachu/ROGERで公開されている。
関連論文リスト
- NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic
Models [11.068359534951783]
DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。
我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。
その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
論文 参考訳（メタデータ） (2023-12-08T06:11:21Z) - vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。
データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。
我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-09-18T17:26:22Z) - A Conditional Normalizing Flow for Accelerated Multi-Coil MR Imaging [12.31503281925152]
我々は,測定演算子のヌル空間の信号成分を推論する新しい条件正規化フロー(CNF)を開発し,後に測定データと組み合わせて完全な画像を生成する。
高速MRI脳と膝関節データを用いて,近年のMRI後部サンプリング技術を上回る高速な推測と精度を示す。
論文 参考訳（メタデータ） (2023-06-02T15:49:26Z) - Holistic Multi-Slice Framework for Dynamic Simultaneous Multi-Slice MRI
Reconstruction [8.02450593595801]
動的SMS再構築のための新しいDLベースのフレームワークを提案する。
本研究の主な貢献は,1)データ変換ステップと,2)データ不足問題に対処するMR物理誘導転送学習戦略を効果的に活用するネットワーク設計の組み合わせである。
論文 参考訳（メタデータ） (2023-01-03T21:09:51Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - 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) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳（メタデータ） (2021-05-15T02:01:21Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。