qMRI Diffusor: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model

要約

定量的 MRI (qMRI) は、組織の特性に関連する客観的なパラメーターを提供することで、加重画像に比べて大きな利点をもたらします。
深層学習ベースの手法は、重み付けされた一連の画像から定量的マップを推定する際の有効性を実証しています。
この研究では、深部生成モデルを利用した qMRI への新しいアプローチである qMRI ディフューザーを紹介します。
具体的には、脳内の T1 定量化のためにノイズ除去拡散確率モデル (DDPM) を実装し、定量的マップの推定を条件付き生成タスクとして組み立てました。
提案された方法は、ファントム データと生体内データの両方について残差ニューラル ネットワーク (ResNet) および再帰型推論マシン (RIM) と比較されます。
結果は、私たちの方法が優れた視覚的パフォーマンスとともに、パラメーター推定の精度と精度の向上を達成していることを示しています。
さらに、私たちの方法には本質的に確率論が組み込まれており、不確実性の直接的な定量化が可能になります。
したがって、提案された方法は定量的な MR マッピングに大きな期待を持っています。

要約(オリジナル)

Quantitative MRI (qMRI) offers significant advantages over weighted images by providing objective parameters related to tissue properties. Deep learning-based methods have demonstrated effectiveness in estimating quantitative maps from series of weighted images. In this study, we present qMRI Diffusor, a novel approach to qMRI utilising deep generative models. Specifically, we implemented denoising diffusion probabilistic models (DDPM) for T1 quantification in the brain, framing the estimation of quantitative maps as a conditional generation task. The proposed method is compared with the residual neural network (ResNet) and the recurrent inference machine (RIM) on both phantom and in vivo data. The results indicate that our method achieves improved accuracy and precision in parameter estimation, along with superior visual performance. Moreover, our method inherently incorporates stochasticity, enabling straightforward quantification of uncertainty. Hence, the proposed method holds significant promise for quantitative MR mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google