論文の概要: LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior

• arxiv url: http://arxiv.org/abs/2411.02951v2
• Date: Wed, 05 Mar 2025 14:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 19:04:36.546435
• 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, Ran Shi, Youmei Zhang, Mengye Lyu, Li Yan,
• Abstract要約: 拡散モデルを用いてMRI再構成を解こうとする研究もあるが、これらの手法はピクセル空間で直接動作する。 リッチな視覚的背景を持つ自然画像に事前学習した潜時拡散モデルでは,MRI再構成における高い計算コストの問題を解くことが期待されている。 LDPM法(Latent Diffusion Prior-based Undersampled MRI reconstruction)を提案する。
• 参考スコア（独自算出の注目度）: 4.499605583818247
• License:
• Abstract: Diffusion models, as powerful generative models, have found a wide range of applications and shown great potential in solving image reconstruction problems. Some works attempted to solve MRI reconstruction with diffusion models, but these methods operate directly in pixel space, leading to higher computational costs for optimization and inference. Latent diffusion models, pre-trained on natural images with rich visual priors, are expected to solve the high computational cost problem in MRI reconstruction by operating in a lower-dimensional latent space. However, direct application to MRI reconstruction faces three key challenges: (1) absence of explicit control mechanisms for medical fidelity, (2) domain gap between natural images and MR physics, and (3) undefined data consistency in latent space. To address these challenges, a novel Latent Diffusion Prior-based undersampled MRI reconstruction (LDPM) method is proposed. Our LDPM framework addresses these challenges by: (1) a sketch-guided pipeline with a two-step reconstruction strategy, which balances perceptual quality and anatomical fidelity, (2) an MRI-optimized VAE (MR-VAE), which achieves an improvement of approximately 3.92 dB in PSNR for undersampled MRI reconstruction compared to that with SD-VAE \cite{sd}, and (3) Dual-Stage Sampler, a modified version of spaced DDPM sampler, which enforces high-fidelity reconstruction in the latent space. Experiments on the fastMRI dataset\cite{fastmri} demonstrate the state-of-the-art performance of the proposed method and its robustness across various scenarios. The effectiveness of each module is also verified through ablation experiments.
• Abstract（参考訳）: 拡散モデルは、強力な生成モデルとして、幅広い応用を見つけ、画像再構成問題の解決に大きな可能性を示している。 拡散モデルを用いてMRI再構成を解こうとする研究もあるが、これらの手法はピクセル空間で直接動作するため、最適化と推論により高い計算コストがかかる。 低次元の潜時空間で操作することでMRI再構成における高計算コストの問題を解決することが期待されている。 しかし、MRI再建への直接的応用は、(1)医学的忠実性に対する明確な制御機構の欠如、(2)自然画像とMR物理の領域ギャップ、(3)潜時空間における未定義データ一貫性の欠如、の3つの課題に直面している。 これらの課題に対処するために、新しい遅延拡散前型アンダーサンプルMRI再構成法(LDPM)を提案する。 LDPM フレームワークは,(1) 知覚的品質と解剖学的忠実性のバランスをとる2段階の再建戦略を備えたスケッチ誘導パイプライン,(2) SD-VAE \cite{sd} と比較して,PSNR の約3.92 dB の改善を実現する MRI-VAE (MR-VAE) と,(3) 潜時空間における高忠実度再構成を強制するDual-Stage Sampler の修正版であるDual-Stage Sampler の3つの課題に対処する。 fastMRIデータセット\cite{fastmri}の実験は、提案手法の最先端性能と様々なシナリオにおける堅牢性を示す。 各モジュールの有効性もアブレーション実験によって検証される。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• 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。