論文の概要: MDPG: Multi-domain Diffusion Prior Guidance for MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2506.23701v1
- Date: Mon, 30 Jun 2025 10:25:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:54.015896
- Title: MDPG: Multi-domain Diffusion Prior Guidance for MRI Reconstruction
- Title（参考訳）: MDPG : MRI再建のための多領域拡散前指導
- Authors: Lingtong Zhang, Mengdie Song, Xiaohan Hao, Huayu Mai, Bensheng Qiu,
- Abstract要約: MRI再構成タスクにおけるデータの一貫性を高めるために,MDPG(Multi- Domain Diffusion Prior Guidance)を提案する。
具体的には、まず、アンダーサンプル画像の効率的なエンコーディングと再構成を可能にする、ビジュアルマンバベースのバックボーンを構築する。
多レベル潜伏領域における効率的な融合のための新しい潜伏誘導注意(LGA)を提案する。
- 参考スコア（独自算出の注目度）: 0.4893345190925178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Imaging (MRI) reconstruction is essential in medical diagnostics. As the latest generative models, diffusion models (DMs) have struggled to produce high-fidelity images due to their stochastic nature in image domains. Latent diffusion models (LDMs) yield both compact and detailed prior knowledge in latent domains, which could effectively guide the model towards more effective learning of the original data distribution. Inspired by this, we propose Multi-domain Diffusion Prior Guidance (MDPG) provided by pre-trained LDMs to enhance data consistency in MRI reconstruction tasks. Specifically, we first construct a Visual-Mamba-based backbone, which enables efficient encoding and reconstruction of under-sampled images. Then pre-trained LDMs are integrated to provide conditional priors in both latent and image domains. A novel Latent Guided Attention (LGA) is proposed for efficient fusion in multi-level latent domains. Simultaneously, to effectively utilize a prior in both the k-space and image domain, under-sampled images are fused with generated full-sampled images by the Dual-domain Fusion Branch (DFB) for self-adaption guidance. Lastly, to further enhance the data consistency, we propose a k-space regularization strategy based on the non-auto-calibration signal (NACS) set. Extensive experiments on two public MRI datasets fully demonstrate the effectiveness of the proposed methodology. The code is available at https://github.com/Zolento/MDPG.
- Abstract（参考訳）: 診断にはMRI(MRI)の再建が不可欠である。
最新の生成モデルとして、拡散モデル(DM)は、画像領域における確率的性質のため、高忠実度画像の生成に苦慮している。
潜伏拡散モデル(LDMs)は、潜伏領域におけるコンパクトかつ詳細な事前知識をもたらす。
そこで本研究では,MRI再構成作業におけるデータの一貫性を高めるために,事前学習型LDMによるMDPG(Multi- Domain Diffusion Prior Guidance)を提案する。
具体的には、まず、アンダーサンプル画像の効率的なエンコーディングと再構成を可能にする、ビジュアルマンバベースのバックボーンを構築する。
次に、事前訓練されたLCMを統合して、潜伏領域と画像領域の両方で条件付き事前情報を提供する。
多レベル潜伏領域における効率的な融合のための新しい潜伏誘導注意(LGA)を提案する。
同時に、k領域と画像領域の両方で事前を有効活用するために、デュアルドメイン融合ブランチ(DFB)によって生成されたフルサンプル画像とアンダーサンプル画像とを融合して自己適応誘導を行う。
最後に、データの一貫性をさらに高めるために、非自動校正信号(NACS)セットに基づくk空間正規化戦略を提案する。
2つの公開MRIデータセットに対する大規模な実験は、提案手法の有効性を十分に実証している。
コードはhttps://github.com/Zolento/MDPGで公開されている。
関連論文リスト
- Self-Consistent Nested Diffusion Bridge for Accelerated MRI Reconstruction [22.589087990596887]
画像画像を用いたMRI画像再構成の課題に焦点をあてる。
拡散モデルの最近の進歩、特に拡散確率モデルのデノベーションは、画像先行をモデル化する上で強力な能力を示している。
我々は,MRI再構成の高速化をモデルとした自己持続性ネスト拡散橋(SC-NDB)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-13T09:35:34Z) - LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [4.499605583818247]
拡散モデルを用いてMRI再構成を解こうとする研究もあるが、これらの手法はピクセル空間で直接動作する。
リッチな視覚的背景を持つ自然画像に事前学習した潜時拡散モデルでは,MRI再構成における高い計算コストの問題を解くことが期待されている。
LDPM法(Latent Diffusion Prior-based Undersampled MRI reconstruction)を提案する。
論文 参考訳（メタデータ） (2024-11-05T09:51:59Z) - Cross-conditioned Diffusion Model for Medical Image to Image Translation [22.020931436223204]
医用画像から画像への変換のためのクロスコンディショニング拡散モデル(CDM)を提案する。
まず、目的のモダリティの分布をモデル化するためのモダリティ固有表現モデル(MRM)を提案する。
そして、MDN(Modality-Decoupled Diffusion Network)を設計し、MRMから効率よく効果的に分布を学習する。
論文 参考訳（メタデータ） (2024-09-13T02:48:56Z) - 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) - MRPD: Undersampled MRI reconstruction by prompting a large latent diffusion model [18.46762698682188]
大規模な潜伏拡散モデル(MRPD)を応用したMRI再建のための新しい枠組みを提案する。
教師なし再構成のために、MSSamplerはランダム位相変調されたハード・トゥ・ソフト制御でLLDMを誘導する。
FastMRIとIXIの実験では、MRPDがMRIデータベースのないシナリオとデータベースが利用可能なシナリオの両方をサポートする唯一のモデルであることが示されている。
論文 参考訳（メタデータ） (2024-02-16T11:54:34Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Adaptive Diffusion Priors for Accelerated MRI Reconstruction [0.9895793818721335]
ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。
非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。
本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
論文 参考訳（メタデータ） (2022-07-12T22:45:08Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - 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。