論文の概要: Patch-Based Diffusion for Data-Efficient, Radiologist-Preferred MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2509.21531v1
• Date: Thu, 25 Sep 2025 20:18:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.980563
• Title: Patch-Based Diffusion for Data-Efficient, Radiologist-Preferred MRI Reconstruction
• Title（参考訳）: データ効率の良い放射線技師によるMRI画像再構成のためのパッチベース拡散法
• Authors: Rohan Sanda, Asad Aali, Andrew Johnston, Eduardo Reis, Jonathan Singh, Gordon Wetzstein, Sara Fridovich-Keil,
• Abstract要約: パッチベースの拡散モデルでは、小さな実数値データセットよりも効果的なデータ駆動の事前学習が期待できる。 本研究では,25k領域の画像の小さなデータセットでトレーニングしたPaDIS-MRIモデルが,画像品質の指標でFastMRI-EDMより優れていることを示す。
• 参考スコア（独自算出の注目度）: 30.203473273516895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) requires long acquisition times, raising costs, reducing accessibility, and making scans more susceptible to motion artifacts. Diffusion probabilistic models that learn data-driven priors can potentially assist in reducing acquisition time. However, they typically require large training datasets that can be prohibitively expensive to collect. Patch-based diffusion models have shown promise in learning effective data-driven priors over small real-valued datasets, but have not yet demonstrated clinical value in MRI. We extend the Patch-based Diffusion Inverse Solver (PaDIS) to complex-valued, multi-coil MRI reconstruction, and compare it against a state-of-the-art whole-image diffusion baseline (FastMRI-EDM) for 7x undersampled MRI reconstruction on the FastMRI brain dataset. We show that PaDIS-MRI models trained on small datasets of as few as 25 k-space images outperform FastMRI-EDM on image quality metrics (PSNR, SSIM, NRMSE), pixel-level uncertainty, cross-contrast generalization, and robustness to severe k-space undersampling. In a blinded study with three radiologists, PaDIS-MRI reconstructions were chosen as diagnostically superior in 91.7% of cases, compared to baselines (i) FastMRI-EDM and (ii) classical convex reconstruction with wavelet sparsity. These findings highlight the potential of patch-based diffusion priors for high-fidelity MRI reconstruction in data-scarce clinical settings where diagnostic confidence matters.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、長い取得時間、コストの上昇、アクセシビリティの低下、そして、運動アーティファクトへの感受性を高める。 データ駆動の事前学習を行う拡散確率モデルは、取得時間の短縮に役立つ可能性がある。 しかし、一般的に大規模なトレーニングデータセットを必要とするため、収集には極めて高価である。 パッチベースの拡散モデルでは、小さな実数値データセットよりも効果的なデータ駆動の事前学習が期待できるが、MRIの臨床的価値はまだ示されていない。 我々は,Patch-based Diffusion Inverse Solver (PaDIS) を複雑に評価されたマルチコイルMRI再構成に拡張し,FastMRI-EDM (FastMRI-EDM) と比較した。 画像品質指標(PSNR, SSIM, NRMSE)、画素レベルの不確実性, クロスコントラストの一般化, 重度のk空間アンダーサンプリングに対する堅牢性でFastMRI-EDMより優れた25k空間画像の小さなデータセットでトレーニングされたPaDIS-MRIモデルを示す。 3人の放射線科医による盲検研究において、PaDIS-MRI再建は、ベースラインと比較して91.7%の患者で診断上優れていると選択された。 (i)FastMRI-EDMおよび (二)ウェーブレット間隔による古典的凸再建 これらの知見は, 診断の信頼性が重要なデータ共有臨床環境において, 高忠実度MRI再構成におけるパッチベース拡散前駆体の可能性を強調した。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic Models [11.068359534951783]
  DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。 我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。 その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-12-08T06:11:21Z)
• 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)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• 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)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。