論文の概要: Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling

• arxiv url: http://arxiv.org/abs/2606.17343v1
• Date: Mon, 15 Jun 2026 22:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.165516
• Title: Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling
• Title（参考訳）: 疎度事前モデルとマルコフ連鎖モンテカルロサンプリングを用いたベイズ磁気共鳴画像再構成と不確かさ定量化
• Authors: Ahmed Karam Eldaly, Matteo Figini, Daniel C. Alexander,
• Abstract要約: 圧縮磁気共鳴画像再構成を用いた不確実性定量化のための新しい枠組みを提案する。 提案手法は, 推定不確かさマップと地中真実と再構成画像との有意な相関関係を示すとともに, 有効に不確かさを定量化する。
• 参考スコア（独自算出の注目度）: 5.452868777437004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel framework for uncertainty quantification using compressed sensing magnetic resonance image reconstruction. The problem is formulated within a Bayesian framework as a linear inverse problem, with prior distributions assigned to the unknown model parameters. Specifically, the image to be reconstructed is assumed to be sparse in a given basis. We develop a general framework applicable to any basis and as examples, we test the sparsity of the image in its (1) spatial gradients using a total variation prior model, and in its (2) wavelet transform. A Markov chain Monte Carlo (MCMC) method, based on a split-and-augmented Gibbs sampler, is then employed to sample from the posterior distribution of the unknown parameters. The non-differentiable conditional distributions are efficiently sampled using a proximal MCMC method. The proposed algorithms are validated on both single-coil and multi-coil datasets using various k-space sub-sampling patterns and ratios. The results demonstrate the superior performance of each proposed approach in reconstructing images compared to its counterpart optimisation-based method. Moreover, our framework effectively quantifies uncertainty, showing a notable correlation between estimated uncertainty maps and error maps computed using ground truth and reconstructed images, compared with existing deep learning-based methods.
• Abstract（参考訳）: 圧縮磁気共鳴画像再構成を用いた不確実性定量化のための新しい枠組みを提案する。 この問題はベイズフレームワーク内で線形逆問題として定式化され、事前分布は未知のモデルパラメータに割り当てられる。 具体的には、再建すべき画像は、所定の基準でスパースであると仮定する。 我々は,任意の基礎に適用可能な一般的なフレームワークを開発し,その例として,(1)空間勾配における画像の空間密度を,(2)ウェーブレット変換を用いて検証する。 マルコフ連鎖モンテカルロ法 (MCMC) は, 未知パラメータの後方分布から標本化するために用いられる。 近位MCMC法を用いて非微分可能条件分布を効率的にサンプリングする。 提案アルゴリズムは,k空間のサブサンプリングパターンと比率を用いて,単一コイルとマルチコイルのデータセットで検証する。 その結果,画像再構成における提案手法の優れた性能を示す。 さらに,本フレームワークは,既存の深層学習法と比較して,推定された不確実性マップと地上の真偽と再構成画像との顕著な相関関係を示すとともに,不確実性を効果的に定量化する。

関連論文リスト

• Bayesian Uncertainty-Aware MRI Reconstruction [5.452868777437004]
  アンダーサンプリングk空間計測を用いた関節磁気共鳴画像再構成のための新しい枠組みを提案する。 提案手法は, 再構成画像から得られた誤差マップと強い相関関係を示すとともに, 不確かさを効果的に定量化する。
  論文  参考訳（メタデータ） (2026-03-13T11:14:53Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• MRI Reconstruction via Data Driven Markov Chain with Joint Uncertainty Estimation [3.5751623095926806]
  本稿では,MRI再構成のための学習確率分布からの効率的なサンプリングを可能にするフレームワークを提案する。 データ駆動型マルコフ連鎖は、所定の画像データベースから学習した生成モデルから構築される。 提案手法の性能は, 10倍の高速化獲得を用いて, オープンデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-02-03T09:13:49Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
  本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。 暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
  論文  参考訳（メタデータ） (2021-10-22T10:02:48Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Sampling possible reconstructions of undersampled acquisitions in MR imaging [9.75702493778194]
  MR中のk-空間のアンサンプは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像が生成される。 伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。 そこで本研究では,逆変換プロセスにおける不確実性を捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T18:20:06Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。