論文の概要: MRI motion correction via efficient residual-guided denoising diffusion probabilistic models

• arxiv url: http://arxiv.org/abs/2505.03498v1
• Date: Tue, 06 May 2025 13:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.381291
• Title: MRI motion correction via efficient residual-guided denoising diffusion probabilistic models
• Title（参考訳）: 効率的な残差復調拡散確率モデルによるMRI運動補正
• Authors: Mojtaba Safari, Shansong Wang, Qiang Li, Zach Eidex, Richard L. J. Qiu, Chih-Wei Chang, Hui Mao, Xiaofeng Yang,
• Abstract要約: 方法: Res-MoCoDiffは、前方拡散過程に新しい残留誤差シフト機構を組み込んでいる。 トレーニングにはl1+l2の損失が混在しており、画像のシャープさを促進し、ピクセルレベルのエラーを低減する。 結果: 提案手法は全運動重度レベルにおける運動アーティファクトの除去性能に優れていた。
• 参考スコア（独自算出の注目度）: 4.304746362090954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Motion artifacts in magnetic resonance imaging (MRI) significantly degrade image quality and impair quantitative analysis. Conventional mitigation strategies, such as repeated acquisitions or motion tracking, are costly and workflow-intensive. This study introduces Res-MoCoDiff, an efficient denoising diffusion probabilistic model tailored for MRI motion artifact correction. Methods: Res-MoCoDiff incorporates a novel residual error shifting mechanism in the forward diffusion process, aligning the noise distribution with motion-corrupted data and enabling an efficient four-step reverse diffusion. A U-net backbone enhanced with Swin-Transformer blocks conventional attention layers, improving adaptability across resolutions. Training employs a combined l1+l2 loss, which promotes image sharpness and reduces pixel-level errors. Res-MoCoDiff was evaluated on synthetic dataset generated using a realistic motion simulation framework and on an in-vivo dataset. Comparative analyses were conducted against established methods, including CycleGAN, Pix2pix, and MT-DDPM using quantitative metrics such as peak signal-to-noise ratio (PSNR), structural similarity index measure (SSIM), and normalized mean squared error (NMSE). Results: The proposed method demonstrated superior performance in removing motion artifacts across all motion severity levels. Res-MoCoDiff consistently achieved the highest SSIM and the lowest NMSE values, with a PSNR of up to 41.91+-2.94 dB for minor distortions. Notably, the average sampling time was reduced to 0.37 seconds per batch of two image slices, compared with 101.74 seconds for conventional approaches.
• Abstract（参考訳）: 目的:MRIにおける運動アーティファクトは画像品質を著しく低下させ,定量的解析に支障をきたす。 繰り返し取得やモーショントラッキングといった従来の緩和戦略は、コストが高く、ワークフロー集約的です。 本研究では,MRIの動作アーチファクト修正に適した効率的な拡散確率モデルであるRes-MoCoDiffを紹介する。 方法: Res-MoCoDiffは前方拡散過程に新しい残留誤差シフト機構を組み込み, ノイズ分布を運動崩壊データと整列させ, 効率的な4段階逆拡散を可能にする。 Swin-Transformerで強化されたU-netバックボーンは、従来の注目層をブロックし、解像度間の適応性を改善した。 トレーニングでは、l1+l2損失を併用して、画像のシャープネスを促進し、ピクセルレベルのエラーを低減する。 Res-MoCoDiffは、現実的な動きシミュレーションフレームワークを用いて生成された合成データセットと、生き生きとしたデータセットで評価された。 ピーク信号-雑音比(PSNR)、構造類似度指数測定(SSIM)、正規化平均二乗誤差(NMSE)などの定量値を用いて,CycleGAN,Pix2pix,MT-DDPMなどの確立された手法との比較検討を行った。 結果: 提案手法は全運動重度レベルにおける運動アーティファクトの除去性能に優れていた。 Res-MoCoDiff は SSIM の最高値と NMSE の最低値を一貫して達成し、PSNR は小さな歪みに対して 41.91+-2.94 dB である。 特に、2つの画像スライスの平均サンプリング時間は0.37秒に短縮され、従来のアプローチでは101.74秒に短縮された。

関連論文リスト

• MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting [3.9576638237437183]
  本研究では, 重要な解剖学的詳細を保存しながら, サンプリング工程を大幅に短縮する残差シフト機構を提案する。 本稿では,残差シフトを前方拡散プロセスに統合するRes-SRDiffという新しい拡散型SRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-03T14:15:08Z)
• Self-Supervised Diffusion MRI Denoising via Iterative and Stable Refinement [20.763457281944834]
  ディフュージョン (Di-Fusion) は、後者の拡散ステップと適応サンプリングプロセスを利用する、完全に自己制御された分極法である。 実データおよびシミュレーションデータを用いた実験により, マイクロ構造モデリング, トラクトグラフィー追跡, その他の下流タスクにおいて, ディフュージョンが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-01-23T10:01:33Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting [70.83632337581034]
  拡散に基づく画像超解像法(SR)は主に低推論速度によって制限される。 本稿では,SRの拡散段数を大幅に削減する新しい,効率的な拡散モデルを提案する。 本手法は,残差をシフトすることで高分解能画像と低分解能画像の間を移動させるマルコフ連鎖を構成する。
  論文  参考訳（メタデータ） (2023-07-23T15:10:02Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction [7.532638301149741]
  磁気共鳴イメージング(MRI)の最重要課題は、取得時間短縮と運動アーティファクトの減少である 深層学習に基づく画像復元は、高分解能かつモーションアーティファクトのないMRI画像を生成するための有望なソリューションとして登場した。 本研究では, 擬似3次元MRI画像の超解像再構成(SRR)と動きアーチファクト縮小(MAR)のための統合された2次元ディープラーニングフレームワークを採用した。 ネットワークの精度は画素ワイドの不確実性マップを用いて評価し、最先端の手法に対して性能をベンチマークした。
  論文  参考訳（メタデータ） (2021-11-28T22:58:00Z)

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。