論文の概要: Enhancing Deep Learning-Driven Multi-Coil MRI Reconstruction via Self-Supervised Denoising

• arxiv url: http://arxiv.org/abs/2411.12919v1
• Date: Tue, 19 Nov 2024 23:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:13:37.984265
• Title: Enhancing Deep Learning-Driven Multi-Coil MRI Reconstruction via Self-Supervised Denoising
• Title（参考訳）: 自己監督型Denoisingによる深層学習駆動型マルチコイルMRI再構成の実現
• Authors: Asad Aali, Marius Arvinte, Sidharth Kumar, Yamin I. Arefeen, Jonathan I. Tamir,
• Abstract要約: 自己教師型認知は、深層学習(DL)に基づく再構成手法を訓練するための前処理のステップである。 以上の結果から, denoising は DL-based MRI 再構成法の有効性を向上させる上で必要不可欠な前処理技術であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.6017417632210655
• License:
• Abstract: We examine the effect of incorporating self-supervised denoising as a pre-processing step for training deep learning (DL) based reconstruction methods on data corrupted by Gaussian noise. K-space data employed for training are typically multi-coil and inherently noisy. Although DL-based reconstruction methods trained on fully sampled data can enable high reconstruction quality, obtaining large, noise-free datasets is impractical. We leverage Generalized Stein's Unbiased Risk Estimate (GSURE) for denoising. We evaluate two DL-based reconstruction methods: Diffusion Probabilistic Models (DPMs) and Model-Based Deep Learning (MoDL). We evaluate the impact of denoising on the performance of these DL-based methods in solving accelerated multi-coil magnetic resonance imaging (MRI) reconstruction. The experiments were carried out on T2-weighted brain and fat-suppressed proton-density knee scans. We observed that self-supervised denoising enhances the quality and efficiency of MRI reconstructions across various scenarios. Specifically, employing denoised images rather than noisy counterparts when training DL networks results in lower normalized root mean squared error (NRMSE), higher structural similarity index measure (SSIM) and peak signal-to-noise ratio (PSNR) across different SNR levels, including 32dB, 22dB, and 12dB for T2-weighted brain data, and 24dB, 14dB, and 4dB for fat-suppressed knee data. Overall, we showed that denoising is an essential pre-processing technique capable of improving the efficacy of DL-based MRI reconstruction methods under diverse conditions. By refining the quality of input data, denoising can enable the training of more effective DL networks, potentially bypassing the need for noise-free reference MRI scans.
• Abstract（参考訳）: ガウス雑音により劣化したデータに対する深層学習(DL)に基づく再構成手法を訓練するための前処理ステップとして,自己指導型復調を取り入れた効果について検討した。 トレーニングに使用されるK空間データは、通常マルチコイルで本質的にノイズが多い。 完全なサンプルデータに基づいて訓練されたDLベースの再構成手法は、高い復元品質を実現することができるが、大規模でノイズのないデータセットを得ることは現実的ではない。 我々は、一般化されたスタインの非バイアスリスク評価(GSURE)をデノナイズに活用する。 本研究では,拡散確率モデル (DPM) とモデルベースディープラーニング (MoDL) の2つのDLベース再構築手法を評価する。 高速マルチコイル磁気共鳴画像(MRI)再構成におけるDL法の性能評価を行った。 実験は、T2重み付き脳と脂肪抑制型陽子密度膝スキャンで行った。 自己監督型難聴はMRI再建の質と効率を高めることが観察された。 具体的には、DLネットワークのトレーニングにおいて、ノイズの多い画像ではなく、ノイズの多い画像を用いることで、正常化ルート平均二乗誤差(NRMSE)が低くなり、脂肪抑制膝データに32dB、22dB、12dB、24dB、14dB、4dBを含む異なるSNRレベルの構造類似度指数測定(SSIM)とピーク信号対雑音比(PSNR)が増加する。 以上の結果から,多種多様な条件下でのDLベースのMRI再建法の有効性を向上する上で,復調は必要不可欠な前処理技術であることが示唆された。 入力データの質を改善することで、より効果的なDLネットワークのトレーニングを可能にし、ノイズフリー参照MRIスキャンの必要性を回避できる可能性がある。

関連論文リスト

• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• 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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• 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)
• 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)
• 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)
• Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising [9.489726334567171]
  本稿では,MR画像再構成のための自己教師あり学習を可能にする新しい再構成手法であるDURED-Netを提案する。 MR再生におけるノイズ2ノイズの再構成性能を画像物理を利用した明示的な事前付加により向上することを目的としている。 提案手法は, 再現性を高めるために, トレーニングデータ量の削減を必要とすることを示した。
  論文  参考訳（メタデータ） (2022-05-07T01:49:31Z)
• Denoising of Three-Dimensional Fast Spin Echo Magnetic Resonance Images of Knee Joints using Spatial-Variant Noise-Relevant Residual Learning of Convolution Neural Network [0.0]
  2次元高速スピンエコー法(FSE)は, 膝関節のMRIにおいて中心的な役割を担っている。 3D FSEは膝関節の高等方性磁気共鳴(MR)像を提供するが、2D FSEと比較して信号と雑音の比が低い。 ディープラーニング復調法はMR画像の復調に有望な手法であるが,合成ノイズを用いて訓練されることも多い。
  論文  参考訳（メタデータ） (2022-04-21T03:45:11Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• 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)

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。