論文の概要: Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model

• arxiv url: http://arxiv.org/abs/2412.07590v2
• Date: Wed, 11 Dec 2024 11:40:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:01:27.345269
• Title: Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model
• Title（参考訳）: 交代マスクと拡散モデルによる画素周波数領域の運動アーチファクト除去
• Authors: Jiahua Xu, Dawei Zhou, Lei Hu, Jianfeng Guo, Feng Yang, Zaiyi Liu, Nannan Wang, Xinbo Gao,
• Abstract要約: MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
• 参考スコア（独自算出の注目度）: 58.694932010573346
• License:
• Abstract: Motion artifacts present in magnetic resonance imaging (MRI) can seriously interfere with clinical diagnosis. Removing motion artifacts is a straightforward solution and has been extensively studied. However, paired data are still heavily relied on in recent works and the perturbations in k-space (frequency domain) are not well considered, which limits their applications in the clinical field. To address these issues, we propose a novel unsupervised purification method which leverages pixel-frequency information of noisy MRI images to guide a pre-trained diffusion model to recover clean MRI images. Specifically, considering that motion artifacts are mainly concentrated in high-frequency components in k-space, we utilize the low-frequency components as the guide to ensure correct tissue textures. Additionally, given that high-frequency and pixel information are helpful for recovering shape and detail textures, we design alternate complementary masks to simultaneously destroy the artifact structure and exploit useful information. Quantitative experiments are performed on datasets from different tissues and show that our method achieves superior performance on several metrics. Qualitative evaluations with radiologists also show that our method provides better clinical feedback. Our code is available at https://github.com/medcx/PFAD.
• Abstract（参考訳）: MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 運動アーティファクトの除去は簡単な解決法であり、広く研究されている。 しかし、ペアデータはまだ最近の研究に大きく依存しており、k空間(周波数領域)の摂動は十分に考慮されていないため、臨床分野での応用は制限されている。 これらの問題に対処するために,ノイズの多いMRI画像の画素周波数情報を活用して,事前学習した拡散モデルを誘導し,クリーンなMRI画像の復元を行う,新しい教師なし浄化法を提案する。 具体的には、運動アーティファクトが主にk空間内の高周波成分に集中していることを考慮し、低周波成分をガイドとして使用し、組織テクスチャの正しい確保を図る。 さらに, 形状やディテールのテクスチャを復元する上で, 高周波・画素情報が有用であることを考えると, 人工物構造を同時に破壊し, 有用な情報を活用するために, 代替マスクを設計する。 異なる組織から得られたデータセットを用いて定量的実験を行い、本手法がいくつかの指標において優れた性能を発揮することを示す。 また, 放射線医による定性評価の結果, 臨床評価の精度が向上していることが示唆された。 私たちのコードはhttps://github.com/medcx/PFAD.comで利用可能です。

関連論文リスト

• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Capability enhancement of the X-ray micro-tomography system via ML-assisted approaches [0.8999666725996978]
  X線マイクロCT画像におけるリングアーティファクトは、その正確な視覚的解釈と定量的解析における主要な原因の1つである。 本稿では、UNetにインスパイアされた畳み込みニューラルネットワーク(CNN)ベースのディープラーニング(DL)モデルと、リングアーティファクトを除去するためのスキップ接続を備えた一連のエンコーダとデコーダユニットを提案する。
  論文  参考訳（メタデータ） (2024-02-08T14:23:24Z)
• 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)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• 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)
• Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging [41.587861167935785]
  運動アーティファクトはMRI(MRI)の品質を損なう モーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場した これらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。 この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-04T18:02:59Z)
• Wide Range MRI Artifact Removal with Transformers [1.1305386767685186]
  磁気共鳴スキャンの成果は、放射線科医やコンピュータ支援診断システムにとって深刻な課題である。 そこで本研究では,原画像から8つの共通アーティファクトを遡及的に除去する手法を提案する。 提案手法は,Swin変換器によるEmphウインドウ中心アプローチを一般化した,新しいトランスベースニューラルネットワークの設計により実現された。
  論文  参考訳（メタデータ） (2022-10-14T17:16:03Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)

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。