論文の概要: MBD: Multi b-value Denoising of Diffusion Magnetic Resonance Images

• arxiv url: http://arxiv.org/abs/2410.16898v1
• Date: Tue, 22 Oct 2024 11:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:29:24.100977
• Title: MBD: Multi b-value Denoising of Diffusion Magnetic Resonance Images
• Title（参考訳）: MBD:拡散磁気共鳴画像の多重b値分解
• Authors: Jakub Jurek, Andrzej Materka, Kamil Ludwisiak, Agata Majos, Filip Szczepankiewicz,
• Abstract要約: 畳み込みニューラルネットワークアプローチを導入し,多値デノイング(MBD)と呼ぶ。 MBDは、異なるb値にまたがる拡散重み付き画像(DWI)の類似性を利用するが、同じ拡散符号化方向に沿っている。 ぼやけを回避し、少数の入力画像のみを用いることで、ノイズのばらつきの高い拡散画像の雑音化を可能にする。
• 参考スコア（独自算出の注目度）: 0.33554367023486936
• License:
• Abstract: We propose a novel approach to denoising diffusion magnetic resonance images (dMRI) using convolutional neural networks, that exploits the benefits of data acquired at multiple b-values to offset the need for many redundant observations. Denoising is especially relevant in dMRI since noise can have a deleterious impact on both quantification accuracy and image preprocessing. The most successful methods proposed to date, like Marchenko-Pastur Principal Component Analysis (MPPCA) denoising, are tailored to diffusion-weighting repeated for many encoding directions. They exploit high redundancy of the dataset that oversamples the diffusion-encoding direction space, since many directions have collinear components. However, there are many dMRI techniques that do not entail a large number of encoding directions or repetitions, and are therefore less suited to this approach. For example, clinical dMRI exams may include as few as three encoding directions, with low or negligible data redundancy across directions. Moreover, promising new dMRI approaches, like spherical b-tensor encoding (STE), benefit from high b-values while sensitizing the signal to diffusion along all directions in just a single shot. We introduce a convolutional neural network approach that we call multi-b-value-based denoising (MBD). MBD exploits the similarity in diffusion-weighted images (DWI) across different b-values but along the same diffusion encoding direction. It allows denoising of diffusion images with high noise variance while avoiding blurring, and using just a small number input images.
• Abstract（参考訳）: 本稿では、畳み込みニューラルネットワークを用いて拡散磁気共鳴画像(dMRI)をデノナイズする新しい手法を提案し、複数のb値で取得したデータの利点を利用して、多くの冗長な観測の必要性を相殺する。 ノイズは量子化精度と画像前処理の両方に有害な影響を与えるため、特にdMRIではデノイングが重要である。 これまでに提案された最も成功した手法、例えばマルテンコ・パストゥル主成分分析(MPPCA)は、多くの符号化方向に対して拡散重み付けを繰り返すように調整されている。 彼らは、多くの方向がコリニア成分を持っているため、拡散符号化方向空間をオーバーサンプリングするデータセットの高い冗長性を利用する。 しかし、多数の符号化方向や繰り返しを伴わないdMRI技術が多く、そのためこのアプローチには適さない。 例えば、臨床dMRI検査は、3つのエンコーディング方向をわずかに含み、低または無視可能なデータ冗長性を含む。 さらに、球状bテンソルエンコーディング(STE)のような新しいdMRIアプローチは、高b値の恩恵を受けつつ、信号の拡散を1枚のショットで全方向に感知する。 畳み込みニューラルネットワークアプローチを導入し,多値デノナイジング(MBD)と呼ぶ。 MBDは、異なるb値にまたがる拡散重み付き画像(DWI)の類似性を利用するが、同じ拡散符号化方向に沿っている。 ぼやけを回避し、少数の入力画像のみを用いることで、ノイズのばらつきの高い拡散画像の雑音化を可能にする。

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)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• Supervised Denoising of Diffusion-Weighted Magnetic Resonance Images Using a Convolutional Neural Network and Transfer Learning [0.0]
  本稿では,現実的な合成MRデータに基づいて訓練された畳み込みニューラルネットワークを用いて,脳の拡散強調画像(DWI)を識別する手法を提案する。 提案手法の適用により,繰り返しスキャンする回数を減らすことにより,スキャン時間の大幅な削減が可能となった。
  論文  参考訳（メタデータ） (2022-06-01T08:14:35Z)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• 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)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)
• 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。