論文の概要: High-dimensional Embedding Prior for Noisy K-space Domain MRIReconstruction

• arxiv url: http://arxiv.org/abs/2607.01176v1
• Date: Wed, 01 Jul 2026 17:08:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:08.00007
• Title: High-dimensional Embedding Prior for Noisy K-space Domain MRIReconstruction
• Title（参考訳）: ノイズK領域MRI再構成に先立つ高次元埋め込み
• Authors: Yu Guan, Tianjia Huang, Qinrong Cai, Qiuyun Fan, Dong Liang, Qiegen Liu,
• Abstract要約: 雑音の逆問題に適した高次元k空間再構成フレームワークを提案する。 内部および公開データセットの両方の実験により、提案したフレームワークは、複数の拡散型逆解器の再構成品質を一貫して改善することを示した。 これらの結果から,高次元表現は,雑音条件下での拡散型MRI再構成を改善するための汎用的,モデルに依存しない機構を提供することが示された。
• 参考スコア（独自算出の注目度）: 14.520678049417205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance imaging (MRI) reconstruction under realistic acquisition conditions can be fundamentally viewed as estimating the underlying k-space distribution from incomplete and noise-corrupted measurements. While diffusion models have recently shown strong potential as generative prior for inverse problems,existingapproachesstruggletohandlenoisyreconstruction settings, especially when operating directly in k-space domain. In this work, we propose a unified high-dimensional k-space reconstruction framework tailored for noisy inverse problems, whichenhancesdiffusion-based solversthroughrepresentation lifting.Ratherthanmodifyingthe underlying optimization procedures, the proposed framework augments the data representation space, enabling existing diffusion-based solvers to operate on enriched k-space embeddings with improved expressiveness. Extensive experiments on both in-house and public datasets across varying noise levels and undersampled factors demonstrate that the proposed frame work consistently improves reconstruction quality for multiple diffusion-based inverse solvers. Notably, the largest gains are observed in high-noise regimes, which is consistent with our theoretical analysis of error propagation under high-dimensional representation. These results suggest that high-dimensional representation provides a general and model-agnostic mechanism for improving diffusion-based MRI reconstruction in noisy settings, offering a new perspective on robust k-space generative modeling for practical inverse problems. The code will be available at https://github.com/yqx7150/HEP-MRIRec.
• Abstract（参考訳）: 現実的な取得条件下でのMRI(MRI)再構成は、不完全およびノイズ破壊測定から基礎となるk空間分布を推定するものとして、基本的に見なすことができる。 拡散モデルは最近、逆問題に先立って生成的な可能性を示す一方で、特にk空間領域で直接操作する場合に、既存のapproachesstruggletohandoisyreconstructionセッティングが存在する。 本研究では, 高次元の高次元k空間再構築フレームワークを提案する。このフレームワークは, 提案手法を改良した上で, データ表現空間を拡張し, 拡張された表現性のあるk空間埋め込みの操作を可能にする。 各種ノイズレベルおよびアンサンプされた要因を対象とする社内および公共データセットの広範囲な実験により,提案手法は複数の拡散型逆解器の再構成品質を一貫して向上することを示した。 特に, 高次元表現下での誤差伝播の理論解析と一致する高雑音状態において, 最大利得が観測される。 これらの結果から,高次元表現は拡散に基づくMRI再構成を雑音下で改善するための汎用的およびモデルに依存しない機構を提供し,実用的な逆問題に対するロバストk空間生成モデリングの新しい視点を提供することが示唆された。 コードはhttps://github.com/yqx7150/HEP-MRIRecで入手できる。

関連論文リスト

• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Sub-DM:Subspace Diffusion Model with Orthogonal Decomposition for MRI Reconstruction [13.418240070456987]
  サブスペース拡散モデル (Sub-DM) は、k空間のデータ分布がノイズに向かって進化するにつれて、サブスペースへの射影による拡散過程を制限するサブスペース拡散モデルである。 k空間データのコンプレックスと高次元特性によって引き起こされる推論問題を回避する。 これにより、異なる空間における拡散過程が相互フィードバック機構を通じてモデルを洗練することができ、複雑なk空間データを扱う場合でも、アクカレートの事前学習が可能になる。
  論文  参考訳（メタデータ） (2024-11-06T08:33:07Z)
• 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)
• 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)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• High-Frequency Space Diffusion Models for Accelerated MRI [7.985113617260289]
  連続微分方程式(SDE)を持つ拡散モデルは、画像生成において優れた性能を示す。 高周波空間における拡散過程と磁気共鳴(MR)再構成に適した新しいSDEを提案する。 このアプローチは、完全サンプリングされた低周波領域における決定性を保証し、逆拡散のサンプリング手順を加速する。
  論文  参考訳（メタデータ） (2022-08-10T14:04:20Z)
• 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)

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。