Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI

要約

一般に、拡散モデルベースの MRI 再構成法は、基礎となる画像を再構成するためにデータの一貫性を課しながら、人為的に追加されたノイズを段階的に除去します。
ただし、現実の MRI 取得には、熱変動による固有のノイズがすでに含まれています。
この現象は、高度な研究に超高速、高解像度のイメージング シーケンスを使用する場合、または低所得国および中所得国が好む低磁場システムを使用する場合に特に顕著です。
これらの一般的なシナリオは、最適化されていないパフォーマンスや、既存の拡散モデルベースの再構成技術の完全な失敗につながる可能性があります。
具体的には、人工的に追加されたノイズが徐々に除去されるにつれて、固有の MRI ノイズがますます顕著になり、実際のノイズ レベルが事前定義されたノイズ除去スケジュールと一致しなくなり、その結果画像再構成が不正確になります。
この問題に取り組むために、新しいノイズ レベル適応データ整合性 (Nila-DC) 操作を使用した事後サンプリング戦略を提案します。
2 つの公開データセットと 0.3T から 3T の範囲の電界強度を持つ社内臨床データセットに対して広範な実験が実施され、私たちの手法が最先端の MRI 再構成手法を上回り、さまざまなノイズ レベルに対して非常に堅牢であることが示されました。

コードはレビュー後に公開されます。

要約(オリジナル)

In general, diffusion model-based MRI reconstruction methods incrementally remove artificially added noise while imposing data consistency to reconstruct the underlying images. However, real-world MRI acquisitions already contain inherent noise due to thermal fluctuations. This phenomenon is particularly notable when using ultra-fast, high-resolution imaging sequences for advanced research, or using low-field systems favored by low- and middle-income countries. These common scenarios can lead to sub-optimal performance or complete failure of existing diffusion model-based reconstruction techniques. Specifically, as the artificially added noise is gradually removed, the inherent MRI noise becomes increasingly pronounced, making the actual noise level inconsistent with the predefined denoising schedule and consequently inaccurate image reconstruction. To tackle this problem, we propose a posterior sampling strategy with a novel NoIse Level Adaptive Data Consistency (Nila-DC) operation. Extensive experiments are conducted on two public datasets and an in-house clinical dataset with field strength ranging from 0.3T to 3T, showing that our method surpasses the state-of-the-art MRI reconstruction methods, and is highly robust against various noise levels. The code will be released after review.

arxiv情報

著者 Shoujin Huang,Guanxiong Luo,Xi Wang,Ziran Chen,Yuwan Wang,Huaishui Yang,Pheng-Ann Heng,Lingyan Zhang,Mengye Lyu
発行日 2024-03-08 12:07:18+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, eess.IV パーマリンク