論文の概要: Consistency Models for Fast MRI Reconstruction Using Regularization by Denoising

• arxiv url: http://arxiv.org/abs/2608.20561v1
• Date: Thu, 20 Aug 2026 20:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.23037
• Title: Consistency Models for Fast MRI Reconstruction Using Regularization by Denoising
• Title（参考訳）: 正規化による高速MRI画像再構成のための一貫性モデル
• Abstract要約: 本稿では,事前学習したCMをレギュラー化に組み込んだ新しいMRI再構成法であるCM-REDを提案する。 高速MRI膝と脳のデータセットの実験により、CM-REDは複数の解剖学にまたがる高品質な再構成を実現することが示された。 提案手法は,定量的な測定値と視覚的忠実度の両方において,既存のDMとCMに基づくアプローチを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 4.129847064263056
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion models (DMs) have emerged as powerful generative priors for MRI reconstruction with promising results. Yet DM-based methods require extensive iterative refinement, limiting their practical deployment. Consistency models (CMs) provide a compelling alternative, aiming to map out the diffusion trajectory in a single pass, enabling faster generation. In this work, we propose CM-RED, a novel MRI reconstruction method that integrates a pretrained CM into the regularization by denoising (RED) scheme. Our method builds on accelerated proximal gradient RED (RED-APG), and further incorporates controlled noise injection during the update steps to enhance generative diversity and accelerate convergence. Extensive experiments on the fastMRI knee and brain datasets demonstrate that CM-RED achieves high-quality reconstructions across multiple anatomies, contrast weights, acceleration factors, and undersampling patterns, using only 4 network function evaluations (NFEs). The proposed method consistently outperforms existing DM- and CM-based approaches in both quantitative metrics and visual fidelity, and exhibits strong robustness to hyperparameter variations, highlighting CM-RED as an efficient and effective generative framework for accelerated MRI reconstruction. The source code and pretrained models are publicly available at https://github.com/MerveGulle/CM-RED.
• Abstract（参考訳）: 拡散モデル (DM) はMRI再建の強力な生成前駆体として出現し, 有望な結果を得た。 しかし、DMベースの手法は大規模な反復的な改良を必要とし、実際の展開を制限している。 一貫性モデル(CM)は、単一のパスで拡散軌道をマップアウトすることを目的として、より高速な生成を可能にする、魅力的な代替手段を提供する。 本研究では,事前学習したCMをレギュラー化に組み込んだ新しいMRI再構成法であるCM-REDを提案する。 提案手法は, RED-APG (Accelerated proximal gradient RED) に基づいて構築され, さらに, 改良段階において制御ノイズ注入を取り入れ, 生成多様性の向上と収束の促進を図る。 高速MRI膝と脳のデータセットに関する大規模な実験により、CM-REDは4つのネットワーク機能評価(NFE)を使用して、複数の解剖、コントラストウェイト、アクセラレーションファクター、アンダーサンプリングパターンにわたる高品質な再構築を実現することが示された。 提案手法は,計測量と視力の両面で既存のDM-およびCM-ベースアプローチを一貫して上回り,高パラメータ変動に対する強い堅牢性を示し,画像再構成の効率的かつ効果的な生成フレームワークとしてCM-REDを強調した。 ソースコードと事前訓練されたモデルはhttps://github.com/MerveGulle/CM-REDで公開されている。

関連論文リスト

• CRUNet-MR-Univ: A Foundation Model for Diverse Cardiac MRI Reconstruction [2.695455737934403]
  深層学習は、心臓MRI再建の分野への関心が高まっている。 CMRスキャンは、画像コントラスト、サンプリングパターン、ベンダー、解剖学的構造、スキャナータイプに大きなばらつきを示す。 既存のモデルの多くは、これらのバリエーションの1行または1行のサブセットのみを扱うように設計されており、分散シフトに直面するとパフォーマンスが低下する。
  論文  参考訳（メタデータ） (2026-01-07T22:23:56Z)
• Unrolled Networks are Conditional Probability Flows in MRI Reconstruction [13.185194525641478]
  本稿では,条件付き確率フローODEの個別実装であるアンロールネットワークを理論的に証明し,MRI再構成にフローODEを導入する。 この接続はパラメータの明示的な定式化を提供し、中間状態がどのように進化するかを明確にする。 本研究では、未学習パラメータをODE離散化から導出し、中間再構成を理想的なODE軌道と整合させて安定性と収束性を向上させるフローアラインドトレーニング(FLAT)を提案する。
  論文  参考訳（メタデータ） (2025-12-02T18:48:10Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Accelerating multiparametric quantitative MRI using self-supervised scan-specific implicit neural representation with model reinforcement [6.196152347946904]
  本稿では,暗黙的ニューラル表現とモデル強化モジュールを組み合わせたREFINE-MOREを提案する。 REFINE-MOREはベースライン法と比較して最小の正規化ルート平均二乗誤差と最高構造類似度指数を達成する。
  論文  参考訳（メタデータ） (2025-07-27T03:06:49Z)
• 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)
• 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)
• 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)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• 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)
• 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)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)

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。