論文の概要: LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior
- arxiv url: http://arxiv.org/abs/2411.02951v1
- Date: Tue, 05 Nov 2024 09:51:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 14:58:58.148015
- Title: LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior
- Title（参考訳）: LDPM : MR-VAEと潜在拡散を併用したMRIのアンダーサンプル化に向けて
- Authors: Xingjian Tang, Jingwei Guan, Linge Li, Youmei Zhang, Mengye Lyu, Li Yan,
- Abstract要約: The Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method was proposed。
スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。
MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
- 参考スコア（独自算出の注目度）: 2.3007720628527104
- License:
- Abstract: Diffusion model, as a powerful generative model, has found a wide range of applications including MRI reconstruction. However, most existing diffusion model-based MRI reconstruction methods operate directly in pixel space, which makes their optimization and inference computationally expensive. Latent diffusion models were introduced to address this problem in natural image processing, but directly applying them to MRI reconstruction still faces many challenges, including the lack of control over the generated results, the adaptability of Variational AutoEncoder (VAE) to MRI, and the exploration of applicable data consistency in latent space. To address these challenges, a Latent Diffusion Prior based undersampled MRI reconstruction (LDPM) method is proposed. A sketcher module is utilized to provide appropriate control and balance the quality and fidelity of the reconstructed MR images. A VAE adapted for MRI tasks (MR-VAE) is explored, which can serve as the backbone for future MR-related tasks. Furthermore, a variation of the DDIM sampler, called the Dual-Stage Sampler, is proposed to achieve high-fidelity reconstruction in the latent space. The proposed method achieves competitive results on fastMRI datasets, and the effectiveness of each module is demonstrated in ablation experiments.
- Abstract（参考訳）: 拡散モデルは、強力な生成モデルとして、MRI再構成を含む幅広い応用を見出した。
しかし、既存の拡散モデルに基づくMRI再構成法は、直接ピクセル空間で動作するため、最適化と推論は計算コストがかかる。
自然言語処理においてこの問題に対処するために潜時拡散モデルが導入されたが、生成した結果の制御の欠如、変分オートエンコーダ(VAE)のMRIへの適応性、潜時空間における適用データ一貫性の探索など、MRI再構成に直接適用することは依然として多くの課題に直面している。
これらの課題に対処するために,Latent Diffusion Prior based undersampled MRI reconstruction (LDPM)法を提案する。
スケジューラモジュールを用いて、再構成したMR画像の品質と忠実度を適切に制御し、バランスをとる。
MRIタスク(MR-VAE)に適応したVAEを探索し、将来のMR関連タスクのバックボーンとして機能する。
さらに,Dual-Stage Samplerと呼ばれるDDIMサンプリング器の変動は,潜時空間における高忠実度再構成を実現するために提案される。
提案手法は,高速MRIデータセット上での競合的な結果を実現し,各モジュールの有効性をアブレーション実験で示す。
関連論文リスト
- Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。
提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
論文 参考訳（メタデータ） (2024-07-03T01:37:56Z) - MRPD: Undersampled MRI reconstruction by prompting a large latent diffusion model [18.46762698682188]
大規模な潜伏拡散モデル(MRPD)を応用したMRI再建のための新しい枠組みを提案する。
教師なし再構成のために、MSSamplerはランダム位相変調されたハード・トゥ・ソフト制御でLLDMを誘導する。
FastMRIとIXIの実験では、MRPDがMRIデータベースのないシナリオとデータベースが利用可能なシナリオの両方をサポートする唯一のモデルであることが示されている。
論文 参考訳（メタデータ） (2024-02-16T11:54:34Z) - 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) - Fast Controllable Diffusion Models for Undersampled MRI Reconstruction [9.257507373275288]
本研究は,MRIのアンダーサンプル再構成のための拡散モデルの制御可能な生成を促進させる,Predictor-Projector-Noisor (PPN) と呼ばれる新しいアルゴリズムを提案する。
以上の結果から, PPNは, 他の制御可能なサンプリング法に比べて, 再構成時間を大幅に短縮した, アンサンプ付きk空間計測に適合した高忠実MR画像を生成することがわかった。
論文 参考訳（メタデータ） (2023-11-20T05:58:05Z) - 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) - Diffusion Modeling with Domain-conditioned Prior Guidance for
Accelerated MRI and qMRI Reconstruction [3.083408283778178]
本研究では,ネイティブデータ領域に条件付き拡散モデルに基づく画像再構成手法を提案する。
提案手法は,特に加速係数の高い画像の再構成において,有意義な可能性を証明している。
論文 参考訳（メタデータ） (2023-09-02T01:33:50Z) - 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) - SMUG: Towards robust MRI reconstruction by smoothed unrolling [18.431095609802654]
深達度学習(DL)はMRI(Accelerated Magnetic resonance imaging)で大いに人気を博している。
最近の研究では、DLベースのMRI再構成モデルは小さな入力摂動に対して過敏である可能性が示されている。
ランダムスムーシング(RS)に基づく頑健な学習操作を用いた深層展開型MRI再構成モデルであるSMOOTHED UNROLLING(SMUG)を提案する。
論文 参考訳（メタデータ） (2023-03-14T02:21:55Z) - 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) - 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-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z)
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。