論文の概要: SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation

• arxiv url: http://arxiv.org/abs/2503.18162v1
• Date: Sun, 23 Mar 2025 18:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:33.294502
• Title: SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
• Title（参考訳）: SNRAware:SNR単位トレーニングとG因子マップ拡張によるディープラーニングMRIのノイズ改善
• Authors: Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen,
• Abstract要約: 2つのバックボーン構造を持つ14種類のトランスフォーマーモデルと畳み込みモデルを、96,605個の心室逆転型シネコンプレックスの2,885,236枚の大データセット上にトレーニングした。 SNRAwareと呼ばれるこのトレーニングスキームは、MRI再構成プロセスの知識を活用して、大規模で高品質で多様な合成データセットをシミュレートし、モデルに対するノイズ分布に関する定量的情報を提供することにより、ノイズ発生性能を向上させる。
• 参考スコア（独自算出の注目度）: 4.45678909876146
• License:
• Abstract: To develop and evaluate a new deep learning MR denoising method that leverages quantitative noise distribution information from the reconstruction process to improve denoising performance and generalization. This retrospective study trained 14 different transformer and convolutional models with two backbone architectures on a large dataset of 2,885,236 images from 96,605 cardiac retro-gated cine complex series acquired at 3T. The proposed training scheme, termed SNRAware, leverages knowledge of the MRI reconstruction process to improve denoising performance by simulating large, high quality, and diverse synthetic datasets, and providing quantitative information about the noise distribution to the model. In-distribution testing was performed on a hold-out dataset of 3000 samples with performance measured using PSNR and SSIM, with ablation comparison without the noise augmentation. Out-of-distribution tests were conducted on cardiac real-time cine, first-pass cardiac perfusion, and neuro and spine MRI, all acquired at 1.5T, to test model generalization across imaging sequences, dynamically changing contrast, different anatomies, and field strengths. The best model found in the in-distribution test generalized well to out-of-distribution samples, delivering 6.5x and 2.9x CNR improvement for real-time cine and perfusion imaging, respectively. Further, a model trained with 100% cardiac cine data generalized well to a T1 MPRAGE neuro 3D scan and T2 TSE spine MRI.
• Abstract（参考訳）: 再構成プロセスからの定量的ノイズ分布情報を利用して、復調性能と一般化を改善する新しいディープラーニングMR復調法の開発と評価を行う。 2つのバックボーン構造を持つ14種類のトランスフォーマーモデルと畳み込みモデルを、96,605個の心室逆転型シネコンプレックスの2,885,236枚の大データセット上にトレーニングした。 SNRAwareと呼ばれるこのトレーニングスキームは、MRI再構成プロセスの知識を活用して、大規模で高品質で多様な合成データセットをシミュレートし、モデルに対するノイズ分布に関する定量的情報を提供することにより、ノイズ発生性能を向上させる。 また,PSNRおよびSSIMを用いて測定した3000サンプルのホールドアウトデータセットに対して,ノイズ増大を伴わないアブレーション比較を行った。 心臓のリアルタイムシネ、第1パス心灌流、および神経および脊髄MRIを用いて、1.5Tで取得し、画像のシーケンス、コントラストの動的変化、解剖学的変化、および磁場強度のモデル一般化をテストするために、アウト・オブ・ディストリビューション試験を行った。 分配試験で見つかった最良のモデルは、分布外のサンプルによく一般化し、それぞれリアルタイムのシネ画像と灌流画像に6.5倍と2.9倍のCNRの改善をもたらした。 さらに、100%心筋シンデータで訓練されたモデルは、T1 MPRAGE neuro 3D scanとT2 TSE spine MRIによく一般化した。

関連論文リスト

• Enhancing Deep Learning-Driven Multi-Coil MRI Reconstruction via Self-Supervised Denoising [4.6017417632210655]
  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。
  論文  参考訳（メタデータ） (2024-11-19T23:17:09Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
  本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。 公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T04:04:48Z)

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。