Regularization by Neural Style Transfer for MRI Field-Transfer Reconstruction with Limited Data

要約

MRI 再構成における最近の進歩は、深層学習ベースのモデルで目覚ましい成功を収めています。
しかし、ほとんどの手法は大規模なタスク固有のデータセットに依存しており、データが限られた設定での再構成は重要だが十分に検討されていない課題として残されています。
ノイズ除去による正則化 (RED) は、画像再構成の事前処理としてデノイザーを組み込んだ一般的なパイプラインで、ノイズ除去、ぼけ除去、超解像などのさまざまな画像処理タスクで有望な結果を示します。
この研究では、ニューラル転送およびノイズ除去エンジンからの事前分布をさらに活用するために、ニューラル スタイル転送 (RNST) による正則化手法を提案します。
RNST は、データが限られている場合でも、さまざまな画像スタイルにわたるノイズの多い低品質の入力から高品質の画像を効果的に再構築します。
私たちは臨床 MRI スキャンで RNST を検証し、画質を大幅に向上させる機能を実証しています。
これらの発見は、RNST の MRI フィールドトランスファー再構成における可能性と、データに制約のあるシナリオでの再構成タスクへの対処におけるその可能性を強調しています。

要約(オリジナル)

Recent advances in MRI reconstruction have achieved remarkable success with deep learning-based models. However, most methods depend on large-scale, task-specific datasets, leaving reconstruction in data-limited settings as a critical but underexplored challenge. Regularization by denoising (RED) is a general pipeline that incorporates a denoiser as a prior for image reconstruction, showing promising results in various image processing tasks, including denoising, deblurring, and super-resolution. In this work, we propose a regularization by neural style transfer (RNST) method to further leverage the priors from the neural transfer and denoising engine. RNST effectively reconstructs high-quality images from noisy, low-quality inputs across varying image styles, even with limited data. We validate RNST on clinical MRI scans, demonstrating its ability to significantly improve image quality. These findings underline the potential of RNST for MRI field-transfer reconstruction and its promise in addressing reconstruction tasks in data-constrained scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google