Self-Supervised Diffusion MRI Denoising via Iterative and Stable Refinement

要約

拡散MRI（DMRI）を含む磁気共鳴イメージング（MRI）は、解剖学的構造の「顕微鏡」として機能し、時間的または空間分解能を妥協することにより、低信号とノイズ比スキャンの影響を日常的に軽減します。
ただし、これらの妥協点は、効率と精度の両方に対する臨床的要求を満たすことができません。
したがって、特にクリーンデータが利用できないDMRIにとって、除去は重要な前処理ステップです。
このホワイトペーパーでは、後者の拡散ステップと適応サンプリングプロセスを活用する完全に自己監視された除去方法であるDIフュージョンを紹介します。
以前のアプローチとは異なり、単一ステージのフレームワークは、追加のノイズモデルトレーニングなしで効率的で安定したトレーニングを実現し、サンプリングプロセスで適応的で制御可能な結果を​​提供します。
実際のシミュレーションデータに関する徹底的な実験は、Di融合が微細構造モデリング、トラクトグラフィートラッキング、およびその他のダウンストリームタスクで最先端のパフォーマンスを達成することを示しています。
コードはhttps://github.com/fouierl/di-fusionで入手できます。

要約(オリジナル)

Magnetic Resonance Imaging (MRI), including diffusion MRI (dMRI), serves as a “microscope” for anatomical structures and routinely mitigates the influence of low signal-to-noise ratio scans by compromising temporal or spatial resolution. However, these compromises fail to meet clinical demands for both efficiency and precision. Consequently, denoising is a vital preprocessing step, particularly for dMRI, where clean data is unavailable. In this paper, we introduce Di-Fusion, a fully self-supervised denoising method that leverages the latter diffusion steps and an adaptive sampling process. Unlike previous approaches, our single-stage framework achieves efficient and stable training without extra noise model training and offers adaptive and controllable results in the sampling process. Our thorough experiments on real and simulated data demonstrate that Di-Fusion achieves state-of-the-art performance in microstructure modeling, tractography tracking, and other downstream tasks. Code is available at https://github.com/FouierL/Di-Fusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google