論文の概要: Dual-domain Multi-path Self-supervised Diffusion Model for Accelerated MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2503.18836v1
• Date: Mon, 24 Mar 2025 16:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:30.678476
• Title: Dual-domain Multi-path Self-supervised Diffusion Model for Accelerated MRI Reconstruction
• Title（参考訳）: 加速MRI再構成のためのデュアルドメインマルチパス自己教師付き拡散モデル
• Authors: Yuxuan Zhang, Jinkui Hao, Bo Zhou,
• Abstract要約: 近年のディープラーニング,特に拡散モデルの発展により,MRIの高速化が進んでいる。 本稿では,これらの課題を克服するために,Dual-domain Multi-path Self-supervised Diffusion Model (DMSM)を提案する。 従来の拡散モデルとは異なり、DMSMは完全なサンプルデータからトレーニングへの依存を取り除く。
• 参考スコア（独自算出の注目度）: 9.601655294394313
• License:
• Abstract: Magnetic resonance imaging (MRI) is a vital diagnostic tool, but its inherently long acquisition times reduce clinical efficiency and patient comfort. Recent advancements in deep learning, particularly diffusion models, have improved accelerated MRI reconstruction. However, existing diffusion models' training often relies on fully sampled data, models incur high computational costs, and often lack uncertainty estimation, limiting their clinical applicability. To overcome these challenges, we propose a novel framework, called Dual-domain Multi-path Self-supervised Diffusion Model (DMSM), that integrates a self-supervised dual-domain diffusion model training scheme, a lightweight hybrid attention network for the reconstruction diffusion model, and a multi-path inference strategy, to enhance reconstruction accuracy, efficiency, and explainability. Unlike traditional diffusion-based models, DMSM eliminates the dependency on training from fully sampled data, making it more practical for real-world clinical settings. We evaluated DMSM on two human MRI datasets, demonstrating that it achieves favorable performance over several supervised and self-supervised baselines, particularly in preserving fine anatomical structures and suppressing artifacts under high acceleration factors. Additionally, our model generates uncertainty maps that correlate reasonably well with reconstruction errors, offering valuable clinically interpretable guidance and potentially enhancing diagnostic confidence.
• Abstract（参考訳）: 磁気共鳴画像(MRI)は重要な診断ツールであるが、その本質的に長い取得時間によって臨床効率と患者の快適さが低下する。 近年のディープラーニング,特に拡散モデルの発展により,MRIの高速化が進んでいる。 しかし、既存の拡散モデルのトレーニングは、しばしば完全にサンプリングされたデータに依存し、モデルは高い計算コストを伴い、不確実性の評価が欠如しており、臨床応用性に制限がある。 これらの課題を克服するために、自己教師付き二重ドメイン拡散モデルトレーニングスキームと、再構成拡散モデルのための軽量なハイブリッドアテンションネットワークと、再構成精度、効率、説明可能性を高めるマルチパス推論戦略を統合した、Dual-domain Multi-supervised Diffusion Model (DMSM) と呼ばれる新しいフレームワークを提案する。 従来の拡散モデルとは異なり、DMSMは完全なサンプルデータからトレーニングへの依存を排除し、実際の臨床環境ではより実用的である。 DMSMを2つのMRIデータセット上で評価し、特に微細な解剖学的構造を保存し、高い加速度因子下でのアーティファクトの抑制において、複数の教師付きおよび自己教師付きベースラインに対して良好な性能を発揮することを示した。 さらに,本モデルでは,再建誤りと合理的に相関する不確実性マップを生成し,臨床的に解釈可能なガイダンスを提供し,診断信頼性を向上する可能性がある。

関連論文リスト

• FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis [6.475175425060296]
  我々は、周波数誘導および粗粒拡散モデル(FgC2F-UDiff)という新しい統合合成モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T04:42:45Z)
• LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [4.499605583818247]
  拡散モデルを用いてMRI再構成を解こうとする研究もあるが、これらの手法はピクセル空間で直接動作する。 リッチな視覚的背景を持つ自然画像に事前学習した潜時拡散モデルでは,MRI再構成における高い計算コストの問題を解くことが期待されている。 LDPM法(Latent Diffusion Prior-based Undersampled MRI reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:51:59Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction [20.84830225817378]
  Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。 本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。 PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
  論文  参考訳（メタデータ） (2023-07-25T03:11:24Z)
• Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
  非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
  論文  参考訳（メタデータ） (2023-02-18T06:11:49Z)
• 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)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)

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。