論文の概要: Active MRI Acquisition with Diffusion Guided Bayesian Experimental Design

• arxiv url: http://arxiv.org/abs/2506.16237v1
• Date: Thu, 19 Jun 2025 11:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.048328
• Title: Active MRI Acquisition with Diffusion Guided Bayesian Experimental Design
• Title（参考訳）: 拡散誘導ベイズ実験による能動MRI取得
• Authors: Jacopo Iollo, Geoffroy Oudoumanessah, Carole Lartizien, Michel Dojat, Florence Forbes,
• Abstract要約: 臨床環境におけるMRIの利点を最大化するための鍵となる課題は、画像品質を著しく劣化させることなく取得時間を短縮することである。 この目的には、高速な取得のために生のk空間測定をアンダーサンプリングすることと、高忠実度画像再構成および解析タスクのための十分な生情報を収集することのバランスが必要である。 本稿では, 逐次ベイズ実験設計(BED)を用いて, 最も情報性の高い測定値の適応的, タスク依存的な選択を実現することを提案する。
• 参考スコア（独自算出の注目度）: 1.3142127084199051
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A key challenge in maximizing the benefits of Magnetic Resonance Imaging (MRI) in clinical settings is to accelerate acquisition times without significantly degrading image quality. This objective requires a balance between under-sampling the raw k-space measurements for faster acquisitions and gathering sufficient raw information for high-fidelity image reconstruction and analysis tasks. To achieve this balance, we propose to use sequential Bayesian experimental design (BED) to provide an adaptive and task-dependent selection of the most informative measurements. Measurements are sequentially augmented with new samples selected to maximize information gain on a posterior distribution over target images. Selection is performed via a gradient-based optimization of a design parameter that defines a subsampling pattern. In this work, we introduce a new active BED procedure that leverages diffusion-based generative models to handle the high dimensionality of the images and employs stochastic optimization to select among a variety of patterns while meeting the acquisition process constraints and budget. So doing, we show how our setting can optimize, not only standard image reconstruction, but also any associated image analysis task. The versatility and performance of our approach are demonstrated on several MRI acquisitions.
• Abstract（参考訳）: 臨床環境におけるMRIの利点を最大化するための重要な課題は、画像品質を著しく低下させることなく取得時間を短縮することである。 この目的には、高速な取得のために生のk空間測定をアンダーサンプリングすることと、高忠実度画像再構成および解析タスクのための十分な生情報を収集することのバランスが必要である。 このバランスを達成するために, 逐次ベイズ実験設計(BED)を用いて, 最も情報性の高い測定値の適応的, タスク依存的な選択を実現することを提案する。 測定は、対象画像上の後部分布における情報ゲインを最大化するために選択された新しいサンプルで順次拡張される。 選択は、サブサンプリングパターンを定義する設計パラメータの勾配に基づく最適化によって行われる。 本研究では,画像の高次元性を扱うために拡散に基づく生成モデルを活用する新たなアクティブなBED手法を導入し,取得プロセスの制約や予算を満たしながら,様々なパターンを選択するための確率的最適化手法を提案する。 そこで我々は,標準的な画像再構成だけでなく,関連する画像解析タスクの最適化方法を示す。 提案手法の汎用性と性能は,いくつかのMRI取得で実証された。

関連論文リスト

• 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)
• Adaptive Compressed Sensing with Diffusion-Based Posterior Sampling [34.50287066865267]
  圧縮センシング(CS)は、高忠実度再構成に十分な測定値の小さなサブセットを選択することにより、高速な画像取得を容易にする。 アダプティブCSは、既に取得したデータから得られる情報に基づいて、将来の計測を動的に選択することで、このプロセスをさらに強化しようとしている。 AdaSenseは、ゼロショット後部サンプリングと事前学習拡散モデルを利用する新しい適応CSアプローチである。
  論文  参考訳（メタデータ） (2024-07-11T07:56:17Z)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• Optimal MRI Undersampling Patterns for Ultimate Benefit of Medical Vision Tasks [2.7716102039510564]
  本稿では,再構成画像の品質から下流画像解析結果の品質に焦点を移すことを提案する。 共通の医療ビジョン問題に対する関心のターゲット値関数を最大化する、$textitk$-spaceにおける最適なアンダーサンプリングパターンを見つける。
  論文  参考訳（メタデータ） (2021-08-10T20:48:47Z)
• End-to-End Sequential Sampling and Reconstruction for MR Imaging [37.29958197193658]
  本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。 提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-05-13T17:56:18Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。