論文の概要: PhaseGen: A Diffusion-Based Approach for Complex-Valued MRI Data Generation
- arxiv url: http://arxiv.org/abs/2504.07560v1
- Date: Thu, 10 Apr 2025 08:44:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-11 12:22:02.688849
- Title: PhaseGen: A Diffusion-Based Approach for Complex-Valued MRI Data Generation
- Title（参考訳）: PhaseGen: 複合価値MRIデータ生成のための拡散に基づくアプローチ
- Authors: Moritz Rempe, Fabian Hörst, Helmut Becker, Marco Schlimbach, Lukas Rotkopf, Kevin Kröninger, Jens Kleesiek,
- Abstract要約: 磁気共鳴イメージング(MRI)の生データ(k空間データ)は複雑に評価され、大きさと位相情報の両方を含む。
我々は、大容量画像に条件付けされた合成MRI生データを生成するための、複素数値拡散モデルである$textitPhaseGen$を紹介した。
以上の結果から, 合成位相データによるトレーニングは, 実世界のデータにおける頭蓋骨切断の一般化を著しく向上させることが示された。
- 参考スコア（独自算出の注目度）: 1.683019219727036
- License:
- Abstract: Magnetic resonance imaging (MRI) raw data, or k-Space data, is complex-valued, containing both magnitude and phase information. However, clinical and existing Artificial Intelligence (AI)-based methods focus only on magnitude images, discarding the phase data despite its potential for downstream tasks, such as tumor segmentation and classification. In this work, we introduce $\textit{PhaseGen}$, a novel complex-valued diffusion model for generating synthetic MRI raw data conditioned on magnitude images, commonly used in clinical practice. This enables the creation of artificial complex-valued raw data, allowing pretraining for models that require k-Space information. We evaluate PhaseGen on two tasks: skull-stripping directly in k-Space and MRI reconstruction using the publicly available FastMRI dataset. Our results show that training with synthetic phase data significantly improves generalization for skull-stripping on real-world data, with an increased segmentation accuracy from $41.1\%$ to $80.1\%$, and enhances MRI reconstruction when combined with limited real-world data. This work presents a step forward in utilizing generative AI to bridge the gap between magnitude-based datasets and the complex-valued nature of MRI raw data. This approach allows researchers to leverage the vast amount of avaliable image domain data in combination with the information-rich k-Space data for more accurate and efficient diagnostic tasks. We make our code publicly $\href{https://github.com/TIO-IKIM/PhaseGen}{\text{available here}}$.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)の生データ(k空間データ)は複雑に評価され、大きさと位相情報の両方を含む。
しかし、臨床および既存の人工知能(AI)ベースの手法は、腫瘍のセグメンテーションや分類といった下流タスクの可能性にもかかわらず、位相データを破棄し、大きさの画像のみに焦点を当てている。
本研究は, 臨床で一般的に用いられる, 等級画像に基づく合成MRI生データを生成するための, 複雑な数値拡散モデルである$\textit{PhaseGen}$を紹介する。
これにより、人工的な複素値の生データの作成が可能となり、k空間情報を必要とするモデルの事前トレーニングが可能になる。
我々は,FastMRIデータセットを用いて,k空間で直接頭蓋骨ストリッピングを行い,MRI再構成を行う2つの課題についてPhaseGenを評価した。
以上の結果から, 合成位相データを用いたトレーニングは, 実世界のデータにおける頭蓋骨切断の一般化を著しく改善し, セグメント化精度を411.1\%から80.1\%に向上させ, 限られた実世界のデータと組み合わせることでMRI再構成を向上することを示した。
この研究は、生成的AIを活用して、マグニチュードベースのデータセットとMRIの生データの複雑な値の性質のギャップを埋めるための一歩である。
このアプローチにより、研究者は、より正確で効率的な診断タスクのために、膨大な画像領域データを情報豊富なk空間データと組み合わせて活用することができる。
コードを公開しています。 $\href{https://github.com/TIO-IKIM/PhaseGen}{\text{ available here}}$。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Synthetic Brain Images: Bridging the Gap in Brain Mapping With Generative Adversarial Model [0.0]
本研究では,高忠実かつ現実的なMRI画像スライス作成にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いることを検討した。
判別器ネットワークは、生成されたスライスと実際のスライスを区別するが、ジェネレータネットワークは、現実的なMRI画像スライスを合成することを学ぶ。
ジェネレータは、敵のトレーニングアプローチを通じて、実際のMRIデータを忠実に模倣するスライスを生成する能力を向上させる。
論文 参考訳（メタデータ） (2024-04-11T05:06:51Z) - Joint Supervised and Self-supervised Learning for MRI Reconstruction [7.018974360061121]
Joint Supervised and Self-supervised Learning (JSSL)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。
JSSLは、ターゲットデータセットからのサブサンプルデータと教師付き学習方法で、完全にサンプル化された$k$-spaceデータを使用したデータセットを使用して、自己教師付き学習環境でモデルを同時にトレーニングすることによって動作する。
本研究は,画像品質指標を用いて,従来の自己監督手法よりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2023-11-27T14:23:36Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI [15.966488917066048]
高アンサンプドリング肺MRI再建のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。
EN2はk空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いる。
また、複雑なk空間データからリッチ表現を学ぶために複雑な畳み込みを用いる。
論文 参考訳（メタデータ） (2023-06-21T02:08:27Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z)
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。