論文の概要: MoEDiff-SR: Mixture of Experts-Guided Diffusion Model for Region-Adaptive MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2504.07308v1
• Date: Wed, 09 Apr 2025 22:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:24:52.578002
• Title: MoEDiff-SR: Mixture of Experts-Guided Diffusion Model for Region-Adaptive MRI Super-Resolution
• Title（参考訳）: Moediff-SR:領域適応型MRI超解法のためのエキスパート誘導拡散モデルの混合
• Authors: Zhe Wang, Yuhua Ru, Aladine Chetouani, Fang Chen, Fabian Bauer, Liping Zhang, Didier Hans, Rachid Jennane, Mohamed Jarraya, Yung Hsin Chen,
• Abstract要約: Moediff-SRは、領域適応型MRI超解像(SR)のためのMixture of Experts(MoE)誘導拡散モデルである 画像全体にわたって均一な復調過程を適用する従来の拡散ベースSRモデルとは異なり、Moediff-SRは微粒なトークンレベルで特殊復調の専門家を動的に選択する。 実験の結果,Moediff-SRは画像品質の定量的指標,知覚的忠実度,計算効率において,既存の最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 8.193689534916988
• License:
• Abstract: Magnetic Resonance Imaging (MRI) at lower field strengths (e.g., 3T) suffers from limited spatial resolution, making it challenging to capture fine anatomical details essential for clinical diagnosis and neuroimaging research. To overcome this limitation, we propose MoEDiff-SR, a Mixture of Experts (MoE)-guided diffusion model for region-adaptive MRI Super-Resolution (SR). Unlike conventional diffusion-based SR models that apply a uniform denoising process across the entire image, MoEDiff-SR dynamically selects specialized denoising experts at a fine-grained token level, ensuring region-specific adaptation and enhanced SR performance. Specifically, our approach first employs a Transformer-based feature extractor to compute multi-scale patch embeddings, capturing both global structural information and local texture details. The extracted feature embeddings are then fed into an MoE gating network, which assigns adaptive weights to multiple diffusion-based denoisers, each specializing in different brain MRI characteristics, such as centrum semiovale, sulcal and gyral cortex, and grey-white matter junction. The final output is produced by aggregating the denoised results from these specialized experts according to dynamically assigned gating probabilities. Experimental results demonstrate that MoEDiff-SR outperforms existing state-of-the-art methods in terms of quantitative image quality metrics, perceptual fidelity, and computational efficiency. Difference maps from each expert further highlight their distinct specializations, confirming the effective region-specific denoising capability and the interpretability of expert contributions. Additionally, clinical evaluation validates its superior diagnostic capability in identifying subtle pathological features, emphasizing its practical relevance in clinical neuroimaging. Our code is available at https://github.com/ZWang78/MoEDiff-SR.
• Abstract（参考訳）: 低磁場強度 (eg, 3T) のMRIでは、空間分解能が限られており、臨床診断や神経画像研究に欠かせない微細な解剖学的詳細を捉えることは困難である。 この制限を克服するために、領域適応型MRI超解法(SR)のためのMixture of Experts(MoE)誘導拡散モデルであるMoediff-SRを提案する。 画像全体にわたって一様化プロセスを適用する従来の拡散ベースSRモデルとは異なり、Moediff-SRは、局所的な適応とSR性能の向上を保証し、きめ細かいトークンレベルで専門化の専門家を動的に選択する。 具体的には、まずTransformerベースの特徴抽出器を用いてマルチスケールのパッチ埋め込みを計算し、グローバルな構造情報と局所的なテクスチャの詳細の両方をキャプチャする。 抽出した特徴埋め込みは、MoEゲーティングネットワークに入力され、複数の拡散ベースのデノイザーに適応重みを割り当て、それぞれが遠心性半小葉、仙骨大脳皮質、灰白質物質ジャンクションなどの異なる脳MRI特性を専門とする。 最終的な出力は、動的に割り当てられたゲーティング確率に応じて、これらの専門専門家の認知結果を集約することによって生成される。 実験の結果,Moediff-SRは画像品質の定量的指標,知覚的忠実度,計算効率において,既存の最先端手法よりも優れていた。 各専門家の差異マップは、それぞれの専門性をさらに強調し、効果的な地域特化能力と専門家の貢献の解釈可能性を確認する。 さらに, 臨床評価は, 微妙な病理像の同定に優れた診断能力を示し, 臨床神経画像学の実践的意義を強調している。 私たちのコードはhttps://github.com/ZWang78/MoEDiff-SR.comで公開されています。

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)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• A Unified Framework for Synthesizing Multisequence Brain MRI via Hybrid Fusion [4.47838172826189]
  我々はHF-GAN(Hybrid Fusion GAN)と呼ばれる,マルチシーケンスMR画像の合成のための新しい統合フレームワークを提案する。 本稿では,相補的情報と相補的情報との絡み合った抽出を確実にするためのハイブリッド核融合エンコーダを提案する。 共通特徴表現は、欠落したMR配列を合成するために、モダリティ注入器を介してターゲット潜在空間に変換される。
  論文  参考訳（メタデータ） (2024-06-21T08:06:00Z)
• 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)
• DreaMR: Diffusion-driven Counterfactual Explanation for Functional MRI [0.0]
  拡散駆動型逆ファクト法であるDreaMRを導入し,高い特異性,妥当性,忠実度でfMRIの解釈を可能にする。 DreaMRは、入力fMRIサンプルの拡散に基づく再サンプリングを行い、下流分類器の決定を変更し、説明のために元のサンプルと反現実的なサンプルの最小差を計算する。 ニューロイメージングデータセットに関する総合的な実験は、fMRIの解釈のための最先端のカウンターファクト法よりも、サンプル生成におけるDreaMRの特異性、忠実性、効率性が優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-18T18:46:07Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• 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)
• 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)

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。