Efficient Medical Image Restoration via Reliability Guided Learning in Frequency Domain

要約

医療画像の修復タスクは、低用量のCT画像除去、MRI超解像度、MRIアーティファクト除去など、多くの臨床シナリオで緊急の欲求を示す、劣化した観測から高品質の画像を回復することを目的としています。
洗練されたモジュールを使用した既存の深い学習ベースの修復方法によって達成された成功にもかかわらず、彼らは計算効率の高い再構築結果のレンダリングに苦労しています。
さらに、彼らは通常、修復結果の信頼性を無視しますが、これは医療システムではるかに緊急です。
これらの問題を緩和するために、周波数領域での信頼性誘導学習を介して軽量変圧器ベースの方法であるLRFormerを提示します。
具体的には、ベイジアンニューラルネットワーク（BNNS）の不確実性の定量化に触発されて、信頼できる病変セマンチックな事前生産者（RLPP）を開発します。
RLPPは、基本的な医療画像セグメンテーションモデルであるMedsamで複数の推論を実行することにより、十分に信頼できるプライアーを生成するために、確率的サンプリング操作を備えたモンテカルロ（MC）推定器を活用します。
さらに、空間ドメインにプライアーを直接組み込む代わりに、クロスアテナント（CA）メカニズムを、高速フーリエ変換（FFT）を介して実際の対称的および想像上の対称部分に分解し、誘導周波数交差基準（GFCA）ソルバーの設計をもたらします。
FFTの共役対称特性を活用することにより、GFCAはナイーブCaの計算の複雑さをほぼ半分に減らします。
さまざまなタスクでの広範な実験結果は、有効性と効率の両方において提案されたLRFORFORの優位性を示しています。

要約(オリジナル)

Medical image restoration tasks aim to recover high-quality images from degraded observations, exhibiting emergent desires in many clinical scenarios, such as low-dose CT image denoising, MRI super-resolution, and MRI artifact removal. Despite the success achieved by existing deep learning-based restoration methods with sophisticated modules, they struggle with rendering computationally-efficient reconstruction results. Moreover, they usually ignore the reliability of the restoration results, which is much more urgent in medical systems. To alleviate these issues, we present LRformer, a Lightweight Transformer-based method via Reliability-guided learning in the frequency domain. Specifically, inspired by the uncertainty quantification in Bayesian neural networks (BNNs), we develop a Reliable Lesion-Semantic Prior Producer (RLPP). RLPP leverages Monte Carlo (MC) estimators with stochastic sampling operations to generate sufficiently-reliable priors by performing multiple inferences on the foundational medical image segmentation model, MedSAM. Additionally, instead of directly incorporating the priors in the spatial domain, we decompose the cross-attention (CA) mechanism into real symmetric and imaginary anti-symmetric parts via fast Fourier transform (FFT), resulting in the design of the Guided Frequency Cross-Attention (GFCA) solver. By leveraging the conjugated symmetric property of FFT, GFCA reduces the computational complexity of naive CA by nearly half. Extensive experimental results in various tasks demonstrate the superiority of the proposed LRformer in both effectiveness and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google