論文の概要: Non-rigid Motion Correction for MRI Reconstruction via Coarse-To-Fine Diffusion Models

• arxiv url: http://arxiv.org/abs/2505.15057v1
• Date: Wed, 21 May 2025 03:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.837918
• Title: Non-rigid Motion Correction for MRI Reconstruction via Coarse-To-Fine Diffusion Models
• Title（参考訳）: 粗い1次元拡散モデルによるMRI再構成のための非剛性運動補正
• Authors: Frederic Wang, Jonathan I. Tamir,
• Abstract要約: モーションアーティファクトは診断ユーティリティ、特にダイナミックイメージングに妥協する可能性がある。 そこで本稿では, ベスパイク拡散モデルを用いて, 動乱k空間データを共同で再構成し, 補正する, 交代最小化フレームワークを提案する。 実世界の心臓MRIデータセットと複雑なシミュレートされた剛性変形と非剛性変形の両方に対して,本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 2.8189656701789816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) is highly susceptible to motion artifacts due to the extended acquisition times required for k-space sampling. These artifacts can compromise diagnostic utility, particularly for dynamic imaging. We propose a novel alternating minimization framework that leverages a bespoke diffusion model to jointly reconstruct and correct non-rigid motion-corrupted k-space data. The diffusion model uses a coarse-to-fine denoising strategy to capture large overall motion and reconstruct the lower frequencies of the image first, providing a better inductive bias for motion estimation than that of standard diffusion models. We demonstrate the performance of our approach on both real-world cine cardiac MRI datasets and complex simulated rigid and non-rigid deformations, even when each motion state is undersampled by a factor of 64x. Additionally, our method is agnostic to sampling patterns, anatomical variations, and MRI scanning protocols, as long as some low frequency components are sampled during each motion state.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、k空間サンプリングに必要な取得時間が長いため、運動アーティファクトに非常に影響を受けやすい。 これらのアーティファクトは、特にダイナミックイメージングのための診断ユーティリティを損なう可能性がある。 そこで本稿では,非剛性 k-space データを共同で再構成し,補正するために,ベスパイク拡散モデルを利用する新しい交互化最小化フレームワークを提案する。 拡散モデルは、粗大な偏極戦略を用いて、大きな全体の動きを捉え、まず画像の低周波を再構成し、標準拡散モデルよりも優れた誘導バイアスを与える。 実世界の心臓MRIデータセットと複雑なシミュレートされた剛性および非剛性変形に対して,各運動状態が64倍の値でアンサンプされた場合でも,本手法の有効性を実証する。 また, 動作中の低周波成分がサンプリングされる限り, パターン, 解剖学的変化, MRI スキャンプロトコルのサンプリングは行わない。

関連論文リスト

• Assessing the use of Diffusion models for motion artifact correction in brain MRI [0.6554326244334868]
  我々は2次元脳MRIにおける運動アーチファクトの修正に拡散モデルを用いることを批判的に評価した。 本研究では,拡散モデルに基づく手法と最先端の手法との比較を行った。 拡散モデルは正確な予測や有害な幻覚を生成できる。
  論文  参考訳（メタデータ） (2025-02-03T14:56:48Z)
• A Generative Diffusion Model to Solve Inverse Problems for Robust in-NICU Neonatal MRI [2.508200203858861]
  新生児集中治療室(NICU)におけるMRI(MRI)の初回取得・診断拡散生成モデルについて紹介する。 In-NICU MRIスキャナーは、脳の潜在的な異常を非侵襲的に評価するために、低磁場強度の永久磁石を利用する。 この設定では、トレーニングデータのサイズは小さく、本質的には低信号対雑音比(SNR)に悩まされている。
  論文  参考訳（メタデータ） (2024-10-28T23:12:09Z)
• 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)
• 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)
• Attention-aware non-rigid image registration for accelerated MR imaging [10.47044784972188]
  我々は,MRIの完全サンプリングと高速化のために,非厳密なペアワイズ登録を行うことのできる,注目に敏感なディープラーニングベースのフレームワークを提案する。 我々は、複数の解像度レベルで、登録された画像ペア間の類似性マップを構築するために、局所的な視覚表現を抽出する。 本モデルでは, 異なるサンプリング軌道にまたがって, 安定かつ一貫した運動場を導出することを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:25:07Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• 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)
• Annealed Score-Based Diffusion Model for MR Motion Artifact Reduction [37.41561581618164]
  モーションアーティファクトリダクションは、MRイメージングにおいて重要な研究トピックの1つである。 我々はMRIの動作アーチファクト低減のためのアニール式スコアベース拡散モデルを提案する。 実験により, 提案手法は, シミュレーションおよび生体内動作アーティファクトの両方を効果的に低減することを確認した。
  論文  参考訳（メタデータ） (2023-01-08T12:16:08Z)
• 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)

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。