論文の概要: Energy-Based Prior Latent Space Diffusion model for Reconstruction of Lumbar Vertebrae from Thick Slice MRI
- arxiv url: http://arxiv.org/abs/2412.00511v1
- Date: Sat, 30 Nov 2024 15:34:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:48:04.466589
- Title: Energy-Based Prior Latent Space Diffusion model for Reconstruction of Lumbar Vertebrae from Thick Slice MRI
- Title(参考訳): 肉厚スライスMRIによる腰椎椎間板再建のためのエネルギーベース遅延空間拡散モデル
- Authors: Yanke Wang, Yolanne Y. R. Lee, Aurelio Dolfini, Markus Reischl, Ender Konukoglu, Kyriakos Flouris,
- Abstract要約: 腰椎問題はユビキタスであり、治療計画とガイド付き介入のための標的画像の研究を動機付けている。
薄いスライスMRI」は、高平面解像度で高速な撮像を優先するが、可変コントラストと低平面解像度で行う。
本稿では,高画質の画像生成を行う拡散モデルを活用するために,遅延空間拡散エネルギーを用いた手法を提案する。
- 参考スコア(独自算出の注目度): 9.44498543364625
- License:
- Abstract: Lumbar spine problems are ubiquitous, motivating research into targeted imaging for treatment planning and guided interventions. While high resolution and high contrast CT has been the modality of choice, MRI can capture both bone and soft tissue without the ionizing radiation of CT albeit longer acquisition time. The critical trade-off between contrast quality and acquisition time has motivated 'thick slice MRI', which prioritises faster imaging with high in-plane resolution but variable contrast and low through-plane resolution. We investigate a recently developed post-acquisition pipeline which segments vertebrae from thick-slice acquisitions and uses a variational autoencoder to enhance quality after an initial 3D reconstruction. We instead propose a latent space diffusion energy-based prior to leverage diffusion models, which exhibit high-quality image generation. Crucially, we mitigate their high computational cost and low sample efficiency by learning an energy-based latent representation to perform the diffusion processes. Our resulting method outperforms existing approaches across metrics including Dice and VS scores, and more faithfully captures 3D features.
- Abstract(参考訳): 腰椎問題はユビキタスであり、治療計画とガイド付き介入のための標的画像の研究を動機付けている。
高分解能、高コントラストCTが選択のモダリティであるが、MRIは経時的にCTの電離放射線を使わずに骨と軟部組織の両方を捉えることができる。
コントラスト品質と取得時間の間の重要なトレードオフは、高平面解像度で高速な撮像を優先する「薄いスライスMRI」を動機付けている。
本研究は, 3次元再構成後, 椎骨を太いスライスから切り離し, 変形型オートエンコーダを用いて, 品質向上を図った後取得パイプラインについて検討した。
代わりに、高画質の画像生成を示す拡散モデルを活用するために、遅延空間拡散エネルギーベースを提案する。
重要なことは、エネルギーベースの潜在表現を学習して拡散プロセスを実行することにより、高い計算コストと低いサンプル効率を緩和する。
結果、DiceやVSスコアなど、既存のアプローチよりも優れており、より忠実に3D機能をキャプチャしています。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - When Diffusion MRI Meets Diffusion Model: A Novel Deep Generative Model for Diffusion MRI Generation [9.330836344638731]
深部拡散モデルを用いたdMRI生成のための新しい生成手法を提案する。
勾配情報と脳構造を保存する高次元(4D)と高解像度のデータを生成することができる。
提案手法は,現在の最先端手法と比較して,dMRI画像の生成性能が向上していることを示す。
論文 参考訳(メタデータ) (2024-08-23T08:03:15Z) - StoDIP: Efficient 3D MRF image reconstruction with deep image priors and stochastic iterations [3.4453266252081645]
StoDIPは, 3次元MRFイメージングに基いて, 地上構造のないDeep Image Prior (DIP) 再構成を拡張した新しいアルゴリズムである。
健康なボランティアの脳全体をスキャンしたデータセットで、StoDIPは、質的にも質的にも、地道な再建ベースラインよりも優れたパフォーマンスを示した。
論文 参考訳(メタデータ) (2024-08-05T10:32:06Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel
UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。
時間分解能の高いMRIでは空間分解能が制限される。
このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。
本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
論文 参考訳(メタデータ) (2022-02-10T22:20:58Z) - STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised
Learning [2.5581619987137048]
我々は,インターリーブスライス獲得を伴う動的胎児MRIのための自己教師付き超解像フレームワークSTRESSを提案する。
提案手法は,低解像度画像と高解像度画像のペアを生成するために,元の取得データに基づいて,高解像度軸に沿ったインターリーブスライス取得をシミュレートする。
シミュレーションおよび子宮内データによる評価の結果,提案手法は他の自己教師付き超解像法よりも優れていた。
論文 参考訳(メタデータ) (2021-06-23T13:52:11Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-03-15T23:07:56Z) - 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。