論文の概要: Distillation-Driven Diffusion Model for Multi-Scale MRI Super-Resolution: Make 1.5T MRI Great Again
- arxiv url: http://arxiv.org/abs/2501.18736v1
- Date: Thu, 30 Jan 2025 20:21:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:00:27.521184
- Title: Distillation-Driven Diffusion Model for Multi-Scale MRI Super-Resolution: Make 1.5T MRI Great Again
- Title(参考訳): マルチスケールMRI超解像のための蒸留駆動拡散モデル:1.5T MRIを再び素晴らしいものにする
- Authors: Zhe Wang, Yuhua Ru, Fabian Bauer, Aladine Chetouani, Fang Chen, Liping Zhang, Didier Hans, Rachid Jennane, Mohamed Jarraya, Yung Hsin Chen,
- Abstract要約: 7T MRIは空間分解能を著しく向上させ、解剖学的構造のより微細な可視化を可能にした。
標準1.5T MRIスキャンから7T様MRIを生成するために,超解像(SR)モデルを提案する。
学生モデルは7T SRタスクをステップで洗練し、教師モデルの推論フェーズから特徴マップをガイダンスとして活用する。
- 参考スコア(独自算出の注目度): 8.193689534916988
- License:
- Abstract: Magnetic Resonance Imaging (MRI) offers critical insights into microstructural details, however, the spatial resolution of standard 1.5T imaging systems is often limited. In contrast, 7T MRI provides significantly enhanced spatial resolution, enabling finer visualization of anatomical structures. Though this, the high cost and limited availability of 7T MRI hinder its widespread use in clinical settings. To address this challenge, a novel Super-Resolution (SR) model is proposed to generate 7T-like MRI from standard 1.5T MRI scans. Our approach leverages a diffusion-based architecture, incorporating gradient nonlinearity correction and bias field correction data from 7T imaging as guidance. Moreover, to improve deployability, a progressive distillation strategy is introduced. Specifically, the student model refines the 7T SR task with steps, leveraging feature maps from the inference phase of the teacher model as guidance, aiming to allow the student model to achieve progressively 7T SR performance with a smaller, deployable model size. Experimental results demonstrate that our baseline teacher model achieves state-of-the-art SR performance. The student model, while lightweight, sacrifices minimal performance. Furthermore, the student model is capable of accepting MRI inputs at varying resolutions without the need for retraining, significantly further enhancing deployment flexibility. The clinical relevance of our proposed method is validated using clinical data from Massachusetts General Hospital. Our code is available at https://github.com/ZWang78/SR.
- Abstract(参考訳): 磁気共鳴イメージング(MRI)は、微細構造の詳細について重要な洞察を与えるが、標準1.5Tイメージングシステムの空間分解能は制限されることが多い。
対照的に、7T MRIは空間分解能を著しく向上させ、解剖学的構造のより微細な可視化を可能にしている。
しかし、7T MRIの高コスト化と可用性の限界は、臨床現場で広く使われることを妨げている。
この課題に対処するために、標準1.5T MRIスキャンから7T様MRIを生成するために、新しい超解像(SR)モデルを提案する。
提案手法は拡散に基づくアーキテクチャを活用し、7T画像からの勾配非線形性補正とバイアス場補正データをガイダンスとして組み込んだものである。
さらに, 展開性を向上させるため, プログレッシブ蒸留戦略を導入する。
具体的には、教師モデルの推論フェーズから特徴マップをガイダンスとして活用して、7T SRタスクをステップで洗練し、より小さく展開可能なモデルサイズで、段階的に7T SRパフォーマンスを達成することを目的としている。
実験結果から,我々のベースライン教師モデルが最先端のSR性能を達成することが示された。
学生モデルは軽量だが、最小限のパフォーマンスを犠牲にする。
さらに、学生モデルは、再トレーニングを必要とせず、様々な解像度でMRI入力を受け入れることができ、デプロイメントの柔軟性を大幅に向上させることができる。
本手法の臨床的意義をマサチューセッツ総合病院の臨床データを用いて検証した。
私たちのコードはhttps://github.com/ZWang78/SRで公開されています。
関連論文リスト
- LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [2.3007720628527104]
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。
論文 参考訳(メタデータ) (2024-11-05T09:51:59Z) - 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) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳(メタデータ) (2024-03-27T02:42:52Z) - Transferring Ultrahigh-Field Representations for Intensity-Guided Brain
Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。
本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-13T12:21:06Z) - 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) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳(メタデータ) (2023-06-01T10:29:58Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳(メタデータ) (2022-11-24T06:57:16Z) - 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) - 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) - Fine-tuning deep learning model parameters for improved super-resolution
of dynamic MRI with prior-knowledge [0.3914676152740142]
本研究は,空間情報を最大化するために,事前知識に基づく微調整による超解像(SR)MRI再構成を提案する。
損失のあるU-Netベースのネットワークをベンチマークでトレーニングし、1つの被写体固有の静的高分解能MRIを用いて微調整を行い、高分解能ダイナミック画像を得る。
論文 参考訳(メタデータ) (2021-02-04T16:11:53Z)
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。