論文の概要: Enhancing Diffusion-Weighted Images (DWI) for Diffusion MRI: Is it Enough without Non-Diffusion-Weighted B=0 Reference?

• arxiv url: http://arxiv.org/abs/2505.12978v1
• Date: Mon, 19 May 2025 11:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.553156
• Title: Enhancing Diffusion-Weighted Images (DWI) for Diffusion MRI: Is it Enough without Non-Diffusion-Weighted B=0 Reference?
• Title（参考訳）: 拡散強調画像(DWI: Enhancing Diffusion-Weighted Image: Enhancing Diffusion-Weighted Image for Diffusion MRI: It is much without non-Diffusion-Weighted B=0 Reference?
• Authors: Yinzhe Wu, Jiahao Huang, Fanwen Wang, Mengze Gao, Congyu Liao, Guang Yang, Kawin Setsompop,
• Abstract要約: そこで本研究では,DWI/b=0比の予測値と実測値とのMSE損失として,新しい比損失を提案する。 その結果、この比損失を取り入れることで、この比誤差の収束を著しく改善し、低比MSEを実現し、生成したDWIのピーク信号-雑音比(PSNR)をわずかに高めることが判明した。
• 参考スコア（独自算出の注目度）: 4.602170419551737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion MRI (dMRI) is essential for studying brain microstructure, but high-resolution imaging remains challenging due to the inherent trade-offs between acquisition time and signal-to-noise ratio (SNR). Conventional methods often optimize only the diffusion-weighted images (DWIs) without considering their relationship with the non-diffusion-weighted (b=0) reference images. However, calculating diffusion metrics, such as the apparent diffusion coefficient (ADC) and diffusion tensor with its derived metrics like fractional anisotropy (FA) and mean diffusivity (MD), relies on the ratio between each DWI and the b=0 image, which is crucial for clinical observation and diagnostics. In this study, we demonstrate that solely enhancing DWIs using a conventional pixel-wise mean squared error (MSE) loss is insufficient, as the error in ratio between generated DWIs and b=0 diverges. We propose a novel ratio loss, defined as the MSE loss between the predicted and ground-truth log of DWI/b=0 ratios. Our results show that incorporating the ratio loss significantly improves the convergence of this ratio error, achieving lower ratio MSE and slightly enhancing the peak signal-to-noise ratio (PSNR) of generated DWIs. This leads to improved dMRI super-resolution and better preservation of b=0 ratio-based features for the derivation of diffusion metrics.
• Abstract（参考訳）: 拡散MRI(dMRI)は脳の微細構造を研究するのに不可欠であるが、取得時間と信号-雑音比(SNR)のトレードオフにより、高分解能イメージングは依然として困難である。 従来の手法では、拡散強調画像(DWI)のみを非拡散強調画像(b=0)との関係を考慮せずに最適化することが多い。 しかし, 拡散係数 (ADC) や拡散テンソル (拡散テンソル) などの拡散係数を, 差分異方性 (FA) や平均拡散率 (MD) といった, 臨床観察や診断に欠かせない DWI と b=0 画像の比に依存する。 本研究では,従来の画素平均二乗誤差(MSE)損失を用いたDWIのみの強化は,生成したDWIとb=0の比の誤差がばらつきとして不十分であることを示す。 そこで本研究では,DWI/b=0比の予測値と実測値とのMSE損失として,新しい比損失を提案する。 その結果、この比損失を取り入れることで、この比誤差の収束を著しく改善し、低比MSEを実現し、生成したDWIのピーク信号-雑音比(PSNR)をわずかに高めることが判明した。 これにより、拡散測定値の導出のためのdMRI超解像化とb=0比に基づく特徴の保存性が向上する。

関連論文リスト

• MRI motion correction via efficient residual-guided denoising diffusion probabilistic models [4.304746362090954]
  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。
  論文  参考訳（メタデータ） (2025-05-06T13:02:40Z)
• MBD: Multi b-value Denoising of Diffusion Magnetic Resonance Images [0.33554367023486936]
  畳み込みニューラルネットワークアプローチを導入し,多値デノイング(MBD)と呼ぶ。 MBDは、異なるb値にまたがる拡散重み付き画像(DWI)の類似性を利用するが、同じ拡散符号化方向に沿っている。 ぼやけを回避し、少数の入力画像のみを用いることで、ノイズのばらつきの高い拡散画像の雑音化を可能にする。
  論文  参考訳（メタデータ） (2024-10-22T11:03:06Z)
• Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
  Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。 提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
  論文  参考訳（メタデータ） (2024-07-03T01:37:56Z)
• Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
  高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。 本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。 我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• Dimensionality-Varying Diffusion Process [52.52681373641533]
  拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。 信号分解による前方拡散過程の理論的一般化を行う。 FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
  論文  参考訳（メタデータ） (2022-11-29T09:05:55Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Manifold-aware Synthesis of High-resolution Diffusion from Structural Imaging [12.96280888284293]
  本稿では,高分解能T1w画像からの拡散テンソル(DT)と拡散配向分布関数(dODF)の直接生成のためのネットワークアーキテクチャを提案する。 提案手法は,合成拡散と接地トラス間の分数異方性平均二乗誤差(FA MSE)を23%以上改善する。 構造入力から15秒以内で高分解能拡散画像を生成することができるが,T1w画像のみに依存する拡散推定の限界を認識し,議論する。
  論文  参考訳（メタデータ） (2021-08-09T16:00:40Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。