論文の概要: Adaptive Mask-guided K-space Diffusion for Accelerated MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2506.18270v1
• Date: Mon, 23 Jun 2025 03:54:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.842356
• Title: Adaptive Mask-guided K-space Diffusion for Accelerated MRI Reconstruction
• Title（参考訳）: 高速MRI再建のための適応マスク誘導K空間拡散法
• Authors: Qinrong Cai, Yu Guan, Zhibo Chen, Dong Liang, Qiuyun Fan, Qiegen Liu,
• Abstract要約: 仮面モデリングは、トレーニング中に比例的にマスキングされる元のデータの一部を予測する、独特なアプローチとして現れてきた。 本研究は,k空間データに基づく周波数分布の適応調整を利用する適応マスク(AMDM)に基づく拡散モデルを提案する。 実験により,本手法が特定の周波数情報を学習し,MRI再建の質を向上させる能力について検証した。
• 参考スコア（独自算出の注目度）: 19.96167625441933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the deep learning revolution marches on, masked modeling has emerged as a distinctive approach that involves predicting parts of the original data that are proportionally masked during training, and has demonstrated exceptional performance in multiple fields. Magnetic Resonance Imaging (MRI) reconstruction is a critical task in medical imaging that seeks to recover high-quality images from under-sampled k-space data. However, previous MRI reconstruction strategies usually optimized the entire image domain or k-space, without considering the importance of different frequency regions in the k-space This work introduces a diffusion model based on adaptive masks (AMDM), which utilizes the adaptive adjustment of frequency distribution based on k-space data to develop a hybrid masks mechanism that adapts to different k-space inputs. This enables the effective separation of high-frequency and low-frequency components, producing diverse frequency-specific representations. Additionally, the k-space frequency distribution informs the generation of adaptive masks, which, in turn, guide a closed-loop diffusion process. Experimental results verified the ability of this method to learn specific frequency information and thereby improved the quality of MRI reconstruction, providing a flexible framework for optimizing k-space data using masks in the future.
• Abstract（参考訳）: ディープラーニング革命が進むにつれて、トレーニング中に比例的にマスクされる元のデータの一部を予測し、複数の分野において例外的なパフォーマンスを示す、独自のアプローチとしてマスク付きモデリングが出現した。 磁気共鳴イメージング(MRI)の再構成は医療画像において重要な課題であり、低サンプリングk空間データから高品質な画像の復元を目指している。 しかし、従来のMRI再構成戦略は、k空間内の異なる周波数領域の重要さを考慮せずに、画像領域全体やk空間全体を最適化し、k空間データに基づく周波数分布の適応調整を利用して、異なるk空間入力に対応するハイブリッドマスク機構を開発する適応マスク(AMDM)に基づく拡散モデルを導入する。 これにより、高周波成分と低周波成分を効果的に分離し、様々な周波数固有表現を生成することができる。 さらに、k空間の周波数分布は適応マスクの生成を知らせ、それによって閉ループ拡散プロセスが導かれる。 実験により,この手法が特定の周波数情報を学習し,MRI再構成の質を向上させる能力を確認し,将来マスクを用いたk空間データの最適化のための柔軟なフレームワークを提供する。

関連論文リスト

• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• 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)
• Diffusion Modeling with Domain-conditioned Prior Guidance for Accelerated MRI and qMRI Reconstruction [3.083408283778178]
  本研究では,ネイティブデータ領域に条件付き拡散モデルに基づく画像再構成手法を提案する。 提案手法は,特に加速係数の高い画像の再構成において,有意義な可能性を証明している。
  論文  参考訳（メタデータ） (2023-09-02T01:33:50Z)
• Constrained Probabilistic Mask Learning for Task-specific Undersampled MRI Reconstruction [8.44194619347218]
  アンダーサンプリング(アンダーサンプリング)は、磁気共鳴イメージング(MRI)において、k空間内のデータ点数をサブサンプリングする一般的な方法である。 データポイントからアンダーサンプリングマスクを直接学習する手法を提案する。 解剖学的に異なる部位で最適なアンダーサンプリングマスクが認められた。
  論文  参考訳（メタデータ） (2023-05-25T14:42:04Z)
• Masked Frequency Modeling for Self-Supervised Visual Pre-Training [102.89756957704138]
  MFM(Masked Frequency Modeling)は、視覚モデルの自己教師付き事前学習のための統合周波数領域に基づくアプローチである。 MFMはまず入力画像の周波数成分の一部をマスクアウトし、周波数スペクトルの欠落周波数を予測する。 MFMは初めて、ViTとCNNの両方で、単純な非シームフレームワークは、以下のものを使って意味のある表現を学習できることを示した。
  論文  参考訳（メタデータ） (2022-06-15T17:58:30Z)
• 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)
• Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
  k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。 訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
  論文  参考訳（メタデータ） (2021-08-17T17:45:51Z)

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。