論文の概要: Efficient Noise Calculation in Deep Learning-based MRI Reconstructions

• arxiv url: http://arxiv.org/abs/2505.02007v1
• Date: Sun, 04 May 2025 06:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.375464
• Title: Efficient Noise Calculation in Deep Learning-based MRI Reconstructions
• Title（参考訳）: ディープラーニングに基づくMRI再構成における高能率ノイズ計算
• Authors: Onat Dalmaz, Arjun D. Desai, Reinhard Heckel, Tolga Çukur, Akshay S. Chaudhari, Brian A. Hargreaves,
• Abstract要約: ノイズ分析は、解の忠実度を明確に測定するためのMRI再構成の中心である。 ディープラーニング(DL)に基づく再構成手法は、固有の解析的および計算的課題により、しばしばノイズ伝搬を見落としている。 本研究は, ボクセル単位の分散を計算し, 取得ノイズによる不確実性を定量化する理論的基礎的, メモリ効率の手法を提案する。
• 参考スコア（独自算出の注目度）: 23.3078469067914
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accelerated MRI reconstruction involves solving an ill-posed inverse problem where noise in acquired data propagates to the reconstructed images. Noise analyses are central to MRI reconstruction for providing an explicit measure of solution fidelity and for guiding the design and deployment of novel reconstruction methods. However, deep learning (DL)-based reconstruction methods have often overlooked noise propagation due to inherent analytical and computational challenges, despite its critical importance. This work proposes a theoretically grounded, memory-efficient technique to calculate voxel-wise variance for quantifying uncertainty due to acquisition noise in accelerated MRI reconstructions. Our approach approximates noise covariance using the DL network's Jacobian, which is intractable to calculate. To circumvent this, we derive an unbiased estimator for the diagonal of this covariance matrix (voxel-wise variance) and introduce a Jacobian sketching technique to efficiently implement it. We evaluate our method on knee and brain MRI datasets for both data- and physics-driven networks trained in supervised and unsupervised manners. Compared to empirical references obtained via Monte Carlo simulations, our technique achieves near-equivalent performance while reducing computational and memory demands by an order of magnitude or more. Furthermore, our method is robust across varying input noise levels, acceleration factors, and diverse undersampling schemes, highlighting its broad applicability. Our work reintroduces accurate and efficient noise analysis as a central tenet of reconstruction algorithms, holding promise to reshape how we evaluate and deploy DL-based MRI. Our code will be made publicly available upon acceptance.
• Abstract（参考訳）: 加速度MRI再構成は、取得したデータのノイズが再構成された画像に伝播する不適切な逆問題を解決する。 ノイズ分析はMRIの再構成の中心であり、解の忠実度を明確に測定し、新しい再構成手法の設計と展開を導くためのものである。 しかし、深層学習(DL)に基づく再構成手法は、その重要さにもかかわらず、固有の解析的および計算的課題により、しばしばノイズ伝搬を見落としている。 本研究は, 高速化MRI再構成における取得ノイズによる不確実性の定量化のためのボクセル単位の分散を計算する理論的基礎的, メモリ効率の手法を提案する。 本稿では,DLネットワークのヤコビアンを用いて雑音の共分散を近似する手法を提案する。 これを回避するために、この共分散行列の対角線の非バイアス推定器(ボクセルワイズ分散)を導出し、効率的に実装するためのヤコビアンスケッチ技術を導入する。 教師なしおよび教師なしの方法で訓練されたデータ駆動型および物理駆動型ネットワークにおける膝・脳MRIデータセットの評価を行った。 モンテカルロシミュレーションを用いて得られた経験的基準と比較して,計算とメモリの要求を桁違いに低減し,ほぼ等価な性能を実現する。 さらに,提案手法は入力雑音レベル,アクセラレーション係数,アンダーサンプリングスキームの多種多様にわたって頑健であり,その適用性を強調している。 我々の研究は、DLベースのMRIの評価と展開の仕方を変えることを約束し、再構成アルゴリズムの中心的要素として、正確で効率的なノイズ分析を再導入する。 私たちのコードは受理時に公開されます。

関連論文リスト

• Triply Laplacian Scale Mixture Modeling for Seismic Data Noise Suppression [51.87076090814921]
  ポーラシティに基づくテンソルリカバリ法は, 地震データノイズを抑制する大きな可能性を示している。 本研究では, 3次元ラプラシアンスケール混合(TLSM)による地震波の抑制手法を提案する。
  論文  参考訳（メタデータ） (2025-02-20T08:28:01Z)
• Learned Discrepancy Reconstruction and Benchmark Dataset for Magnetic Particle Imaging [3.7898596546142818]
  磁気粒子イメージング (MPI) は、超常磁性酸化鉄ナノ粒子の磁気応答に基づく新しい画像モダリティである。 MPI画像再構成作業における重要な課題は、その基礎となるノイズモデルから生じる。 本稿では,逆問題に対する新しい学習ベース再構成手法であるLearninged Discrepancy Approachを紹介する。
  論文  参考訳（メタデータ） (2025-01-09T21:21:06Z)
• 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)
• Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction [2.724485028696543]
  マルチコイルデータからクリーンでノイズのないMRI信号を生成するための,教師なし事前処理パイプラインを提案する。 プレコンディショニング技術と組み合わせることで,高品質なデータに対する堅牢なMRI再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:57Z)
• vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
  vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。 データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。 我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-09-18T17:26:22Z)
• Denoising diffusion models for out-of-distribution detection [2.113925122479677]
  我々は,確率拡散モデル(DDPM)を自己エンコーダの復号化として活用する。 DDPMを用いてノイズレベルの範囲の入力を再構成し,結果の多次元再構成誤差を用いてアウト・オブ・ディストリビューション入力を分類する。
  論文  参考訳（メタデータ） (2022-11-14T20:35:11Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。