論文の概要: MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting

• arxiv url: http://arxiv.org/abs/2503.01576v1
• Date: Mon, 03 Mar 2025 14:15:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:17.847092
• Title: MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting
• Title（参考訳）: 残差変化を伴う効率的な拡散確率モデルを用いたMRI超解像再構成
• Authors: Mojtaba Safari, Shansong Wang, Zach Eidex, Qiang Li, Erik H. Middlebrooks, David S. Yu, Xiaofeng Yang,
• Abstract要約: 本研究では, 重要な解剖学的詳細を保存しながら, サンプリング工程を大幅に短縮する残差シフト機構を提案する。 本稿では,残差シフトを前方拡散プロセスに統合するRes-SRDiffという新しい拡散型SRフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.9576638237437183
• License:
• Abstract: Objective:This study introduces a residual error-shifting mechanism that drastically reduces sampling steps while preserving critical anatomical details, thus accelerating MRI reconstruction. Approach:We propose a novel diffusion-based SR framework called Res-SRDiff, which integrates residual error shifting into the forward diffusion process. This enables efficient HR image reconstruction by aligning the degraded HR and LR distributions.We evaluated Res-SRDiff on ultra-high-field brain T1 MP2RAGE maps and T2-weighted prostate images, comparing it with Bicubic, Pix2pix, CycleGAN, and a conventional denoising diffusion probabilistic model with vision transformer backbone (TM-DDPM), using quantitative metrics such as peak signal-to-noise ratio (PSNR), structural similarity index (SSIM), gradient magnitude similarity deviation (GMSD), and learned perceptual image patch similarity (LPIPS). Main results: Res-SRDiff significantly outperformed all comparative methods in terms of PSNR, SSIM, and GMSD across both datasets, with statistically significant improvements (p-values<<0.05). The model achieved high-fidelity image restoration with only four sampling steps, drastically reducing computational time to under one second per slice, which is substantially faster than conventional TM-DDPM with around 20 seconds per slice. Qualitative analyses further demonstrated that Res-SRDiff effectively preserved fine anatomical details and lesion morphology in both brain and pelvic MRI images. Significance: Our findings show that Res-SRDiff is an efficient and accurate MRI SR method, markedly improving computational efficiency and image quality. Integrating residual error shifting into the diffusion process allows for rapid and robust HR image reconstruction, enhancing clinical MRI workflows and advancing medical imaging research. The source at:https://github.com/mosaf/Res-SRDiff
• Abstract（参考訳）: 目的:本研究では,重要な解剖学的詳細を保存しながらサンプリングステップを大幅に削減し,MRI再建を加速する残差シフト機構を導入する。 提案手法は,残差シフトを前方拡散プロセスに統合するRes-SRDiffと呼ばれる新しい拡散型SRフレームワークを提案する。 これにより、劣化したHRとLRの分布を合わせることで効率的なHR画像再構成が可能となり、超高視野脳T1 MP2RAGEマップとT2重み付き前立腺画像に対するRes-SRDiffの評価を行い、Bicubic、Pix2pix、CycleGAN、および視覚トランスフォーマーバックボーン(TM-DDPM)を用いた従来の難聴拡散確率モデルと比較し、ピーク信号-ノイズ比(PSNR)、構造類似度指数(SSIM)、勾配等級類似度差(GMSD)、知覚画像の類似度(LPIPS)を学習した。 主な結果: Res-SRDiff はPSNR, SSIM, GMSD の両データセットにおける比較手法において, 統計的に有意な改善(p-values<0.05。 このモデルは4ステップのサンプリングで高忠実度画像復元を実現し、計算時間を1スライスあたり1秒以下に大幅に短縮した。 質的分析により、Res-SRDiffは脳と骨盤のMRI画像の微細な解剖学的詳細と病変形態を効果的に保存していることが明らかとなった。 意義: この結果から, Res-SRDiffは, 計算効率と画像品質を著しく向上させる, 効率的かつ正確なMRI SR法であることが示唆された。 拡散過程への残留誤差シフトの統合により、高速かつ堅牢なHR画像再構成、臨床MRIワークフローの強化、医用画像研究の進展が可能になる。 出典:https://github.com/mosaf/Res-SRDiff

関連論文リスト

• Rapid Whole Brain Mesoscale In-vivo MR Imaging using Multi-scale Implicit Neural Representation [6.894117592271847]
  本稿では、教師なしニューラルネットワークに基づくアルゴリズムであるROVER-MRIを提案する。 ROVER-MRIは、微細な解剖学的詳細を維持しながらスキャン時間を2倍に効果的に削減する。 我々は,前例のない180mum等方性空間分解能を持つヒト脳内T2強調像の再構成を実現した。
  論文  参考訳（メタデータ） (2025-02-12T18:48:12Z)
• 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)
• 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)
• Correlated and Multi-frequency Diffusion Modeling for Highly Under-sampled MRI Reconstruction [14.687337090732036]
  既存のMRI再建法の多くは、特定の組織領域を考慮せずに、全MR画像のtar-geted再構成を行う。 これは、診断のための重要でない組織に対する再構成精度を強調できない可能性がある。 そこで本研究では,k空間データの特性と拡散過程を組み合わせることで,マルチ周波数先行のマイニングに焦点をあてる。
  論文  参考訳（メタデータ） (2023-09-02T07:51:27Z)
• Self-Supervised MRI Reconstruction with Unrolled Diffusion Models [27.143473617162304]
  自己監督型拡散再構成モデル(SSDiffRecon)を提案する。 SSDiffReconは、物理駆動処理のためのデータ一貫性ブロックと逆拡散ステップのためのクロスアテンショントランスフォーマーをインターリーブする条件拡散プロセスを表現する。 公開脳MRデータセットを用いた実験は、SSDiffReconの再構築速度と品質の点で、最先端の教師付きベースラインと自己教師付きベースラインに対する優位性を示す。
  論文  参考訳（メタデータ） (2023-06-29T03:31:46Z)
• 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)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)
• 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。