論文の概要: MRI super-resolution in ten sampling steps using a diffusion bridge model

• arxiv url: http://arxiv.org/abs/2608.08819v1
• Date: Sun, 09 Aug 2026 17:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.960953
• Title: MRI super-resolution in ten sampling steps using a diffusion bridge model
• Title（参考訳）: 拡散ブリッジモデルを用いた10ステップのMRI超解像
• Abstract要約: 拡散に基づく超解像は、低分解能(LR)入力から高分解能(HR)画像を再構成する。 我々は、LRデータから直接HR MRIを再構成する効率的な拡散フレームワークを開発した。 超高磁場7T脳T1 MP2RAGEマップと骨盤T2強調前立腺画像を用いたSR-DBMの評価を行った。
• 参考スコア（独自算出の注目度）: 36.87358869523498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective. MRI provides excellent soft-tissue contrast, but long acquisition times can cause patient discomfort and lead to motion artifacts, forcing a trade-off between spatial resolution and scan time. Diffusion-based super-resolution (SR) reconstructs high-resolution (HR) images from low-resolution (LR) inputs, but typically needs many sampling steps and initializes from a Gaussian prior ill-suited to image restoration. We developed an efficient diffusion framework that reconstructs HR MRI directly from LR data. Approach. We propose super-resolution diffusion bridge model (SR-DBM), a super-resolution diffusion bridge model that casts SR as a stochastic transport between the LR and HR image distributions. Through a Doob's h-transform of a mean-reverting stochastic differential equation, SR-DBM pins the process to the paired HR and LR images at its endpoints, initializing reconstruction from the measured anatomy rather than from Gaussian noise. The HR image is recovered by a deterministic reverse trajectory in which a network predicts the clean image at each of only ten sampling steps. We evaluated SR-DBM on ultra-high-field 7T brain T1 MP2RAGE maps and pelvic T2-weighted prostate images against nine comparison methods using PSNR, SSIM, GMSD, and LPIPS. Main results. SR-DBM attained the highest PSNR and SSIM and the lowest GMSD on both datasets (brain: 27.66+-1.52 dB, 0.96+-0.02, 7.96+-1.86$; prostate: 27.87+-2.29 dB, 0.80+-0.05, 8.38+- 1.44), with statistically significant gains over every comparison method (two-sided Wilcoxon signed-rank test with Holm correction, p<0.05). The strongest baseline, SR-EMamba, ranked second. Qualitatively, SR-DBM produced the smallest residual errors and best preserved fine structures and lesions.
• Abstract（参考訳）: 目的。 MRIは優れたソフト・タスク・コントラストを提供するが、長期の取得は患者の不快感を招き、運動アーチファクトを生じさせ、空間分解能とスキャンタイムのトレードオフを強いる。 拡散に基づく超解像(SR)は、低分解能(LR)入力から高分解能(HR)画像を再構成するが、通常、画像復元に不適なガウスの以前のサンプリングステップと初期化を必要とする。 我々は、LRデータから直接HR MRIを再構成する効率的な拡散フレームワークを開発した。 アプローチ。 本稿では,超解像拡散橋モデル (SR-DBM) を提案する。 平均回帰確率微分方程式のDoobのh-transformを通じて、SR-DBMはその端点にあるHRとLRの2つの画像にプロセスをピンし、ガウスノイズではなく測定された解剖学からの再構築を初期化する。 HR画像は、ネットワークがわずか10個のサンプリングステップ毎にクリーン画像を予測する決定論的逆軌道によって復元される。 我々は,PSNR,SSIM,GMSD,LPIPSを用いた9つの比較法を用いて,超高磁場7T脳波T1 MP2RAGEマップと骨盤T2強調前立腺画像を用いたSR-DBMの評価を行った。 主な結果。 SR-DBMは最も高いPSNRとSSIMを達成し、両方のデータセット(脳: 27.66+-1.52 dB, 0.96+-0.02, 7.96+-1.86$; 前立腺: 27.87+-2.29 dB, 0.80+-0.05, 8.38+- 1.44)で最も低いGMSDを得た。 最強のベースラインであるSR-EMAMBAは2位にランクインした。 SR-DBMは最小の残留誤差を発生し, 微細構造と病変の保存が最良であった。

関連論文リスト

• Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution [3.3307176205207383]
  我々は,Multi-image Super- resolution (MISR) MRIのための拡散型逆単像問題の解法を一般化する。 DPSの精度補正により、独立に取得した測定値間で正確に分離可能な勾配分解が可能であることを示す。 以上の結果から, 異方性MRIボリュームの高分解能化が達成され, 日常的な2次元マルチスライス取得によるほぼ異方性解剖の再構築が可能となった。
  論文  参考訳（メタデータ） (2026-01-20T14:53:20Z)
• MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting [3.9576638237437183]
  本研究では, 重要な解剖学的詳細を保存しながら, サンプリング工程を大幅に短縮する残差シフト機構を提案する。 本稿では,残差シフトを前方拡散プロセスに統合するRes-SRDiffという新しい拡散型SRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-03T14:15:08Z)
• Rapid Whole Brain Motion-robust Mesoscale In-vivo MR Imaging using Multi-scale Implicit Neural Representation [6.894117592271847]
  マルチスケール暗黙的ニューラル表現(INR)に基づく教師なしフレームワークである回転視超解像(ROVER)-MRIを提案する。 ROVER-MRIは、複数の空間スケールで画像構造を暗黙的にかつ連続的に符号化するために座標ベースのニューラルネットワークを使用する。 元生きたサルの脳データと複数の生きた人間のデータセットの検証は、再構築性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-12T18:48:12Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• 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)
• Rethinking Degradation: Radiograph Super-Resolution via AID-SRGAN [9.599347633285635]
  超解像超解像のための医療用 AttentIon Denoising Super Resolution Generative Adversarial Network (AID-SRGAN) を提案する。 我々の知る限りでは、これがX線画像に初めて提案された複合劣化モデルである。 提案手法はPSNRの311.90ドル,スケール係数は4倍であり,近年の成果よりも7.05%高い。
  論文  参考訳（メタデータ） (2022-08-05T06:54:44Z)
• Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
  深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。 本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
  論文  参考訳（メタデータ） (2022-07-16T12:46:10Z)
• Sinogram upsampling using Primal-Dual UNet for undersampled CT and radial MRI reconstruction [0.4199844472131921]
  Primal-Dual ネットワークは、疎サンプリングされたCTデータを再構成するためのディープラーニングベースの手法である。 本稿では,Primal-Dual UNetを導入し,精度と再構築速度の点でPrimal-Dualネットワークを改善した。
  論文  参考訳（メタデータ） (2021-12-26T19:31:34Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)

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。