論文の概要: Rician Denoising Diffusion Probabilistic Models For Sodium Breast MRI Enhancement

• arxiv url: http://arxiv.org/abs/2410.11511v1
• Date: Tue, 15 Oct 2024 11:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:01:09.646478
• Title: Rician Denoising Diffusion Probabilistic Models For Sodium Breast MRI Enhancement
• Title（参考訳）: Rician Denoising Diffusion Probabilistic Models for Sodium Breast MRI enhance
• Authors: Shuaiyu Yuan, Tristan Whitmarsh, Dimitri A Kessler, Otso Arponen, Mary A McLean, Gabrielle Baxter, Frank Riemer, Aneurin J Kennerley, William J Brackenbury, Fiona J Gilbert, Joshua D Kaggie,
• Abstract要約: ナトリウムMRIは本質的に低信号-雑音比(SNR)と空間分解能に悩まされている。 ディープラーニング手法であるDenoising Diffusion Probabilistic Models (DDPM)は、幅広いDenoisingタスクで成功を収めている。 本稿では,リシアン脱臭拡散確率モデル (RDDPM) を導入し, DDPMを推し進める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Sodium MRI is an imaging technique used to visualize and quantify sodium concentrations in vivo, playing a role in many biological processes and potentially aiding in breast cancer characterization. Sodium MRI, however, suffers from inherently low signal-to-noise ratios (SNR) and spatial resolution, compared with conventional proton MRI. A deep-learning method, the Denoising Diffusion Probabilistic Models (DDPM), has demonstrated success across a wide range of denoising tasks, yet struggles with sodium MRI's unique noise profile, as DDPM primarily targets Gaussian noise. DDPM can distort features when applied to sodium MRI. This paper advances the DDPM by introducing the Rician Denoising Diffusion Probabilistic Models (RDDPM) for sodium MRI denoising. RDDPM converts Rician noise to Gaussian noise at each timestep during the denoising process. The model's performance is evaluated using three non-reference image quality assessment metrics, where RDDPM consistently outperforms DDPM and other CNN-based denoising methods.
• Abstract（参考訳）: ナトリウムMRI(Sodium MRI)は、生体内でのナトリウム濃度の可視化と定量化に使用されるイメージング技術であり、多くの生物学的プロセスにおいて重要な役割を果たし、乳がんのキャラクタリゼーションに寄与する可能性がある。 しかし、ナトリウムMRIは、従来のプロトンMRIと比較して本質的に低信号-雑音比(SNR)と空間分解能に悩まされている。 ディープラーニング手法であるDenoising Diffusion Probabilistic Models (DDPM) は、幅広いDenoisingタスクで成功したが、主にガウスノイズを対象とするため、ナトリウムMRI特有のノイズプロファイルに苦慮している。 DDPMはナトリウムMRIに適用すると特徴を歪めることができる。 本稿では,リシアン脱臭拡散確率モデル (RDDPM) を導入し, DDPMを推し進める。 RDDPMは、デノナイジング処理中に各タイミングでリッチノイズをガウスノイズに変換する。 RDDPMはDDPMと他のCNNベースの復調法を一貫して上回る3つの非参照画像品質評価指標を用いて、モデルの性能を評価する。

関連論文リスト

• Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
  実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。 そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。 提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
  論文  参考訳（メタデータ） (2024-03-08T12:07:18Z)
• 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)
• 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)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models [0.3149883354098941]
  本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。 本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
  論文  参考訳（メタデータ） (2023-02-06T18:56:39Z)
• 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)
• Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
  Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。 実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。 本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-25T06:40:09Z)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)

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。