Learning to Reconstruct Accelerated MRI Through K-space Cold Diffusion without Noise

要約

最近では、ディープラーニングベースの MRI 再構成モデ​​ルが優れたパフォーマンスを達成しています。
ごく最近では、拡散モデルは画像生成、インペインティング、超解像度、画像編集などで顕著なパフォーマンスを示しています。
一般化された拡散モデルとして、冷拡散はさらに範囲を広げ、ぼかしやダウンサンプリングなどの任意の画像変換を中心に構築されたモデルを考慮します。この論文では、画像の劣化と復元を実行する k 空間冷拡散モデルを提案します。
ガウス ノイズを必要としない k 空間。
複数の深層学習ベースの MRI 再構成モデ​​ルとの比較を提供し、よく知られた大規模なオープンソース MRI データセットでテストを実行します。
私たちの結果は、この新しい分解実行方法により、加速 MRI 用の高品質の再構成画像を生成できることを示しています。

要約(オリジナル)

Deep learning-based MRI reconstruction models have achieved superior performance these days. Most recently, diffusion models have shown remarkable performance in image generation, in-painting, super-resolution, image editing and more. As a generalized diffusion model, cold diffusion further broadens the scope and considers models built around arbitrary image transformations such as blurring, down-sampling, etc. In this paper, we propose a k-space cold diffusion model that performs image degradation and restoration in k-space without the need for Gaussian noise. We provide comparisons with multiple deep learning-based MRI reconstruction models and perform tests on a well-known large open-source MRI dataset. Our results show that this novel way of performing degradation can generate high-quality reconstruction images for accelerated MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google