A Generative Diffusion Model to Solve Inverse Problems for Robust in-NICU Neonatal MRI

要約

新生児集中治療室（NICU）の磁気共鳴イメージング（MRI）の最初の獲得 – 抗議拡散生成モデルを提示して、スキャン時間を短縮し、動きの堅牢性を改善するための逆の範囲を解決します。
In-Nicu MRIスキャナーは、初期のライブ開発の重要な段階での潜在的な脳の異常の非侵襲的評価のために、より低いフィールド強度（つまり、1.5 Tesla未満）で永久磁石を活用しますが、長いスキャン時間とモーションアーティファクトに悩まされます。
この設定では、トレーニングデータサイズは小さく、本質的に低い信号対雑音比（SNR）に苦しんでいます。
この作業は、いくつかの新規信号処理と機械学習方法を適用して低SNRと少量のデータを処理することにより、臨床新生児MRIのこのような現実世界のトレーニングデータセットを使用して、拡散確率生成モデルをトレーニングします。
その後、このモデルは、再訓練を必要とせずに、推論時間にさまざまな逆問題を解決する前に、統計画像として使用されます。
実験は、新生児MRIの3つの実際のアプリケーションの生成モデルの有用性を示しています：加速再構成、運動補正、および超解像度。

要約(オリジナル)

We present the first acquisition-agnostic diffusion generative model for Magnetic Resonance Imaging (MRI) in the neonatal intensive care unit (NICU) to solve a range of inverse problems for shortening scan time and improving motion robustness. In-NICU MRI scanners leverage permanent magnets at lower field-strengths (i.e., below 1.5 Tesla) for non-invasive assessment of potential brain abnormalities during the critical phase of early live development, but suffer from long scan times and motion artifacts. In this setting, training data sizes are small and intrinsically suffer from low signal-to-noise ratio (SNR). This work trains a diffusion probabilistic generative model using such a real-world training dataset of clinical neonatal MRI by applying several novel signal processing and machine learning methods to handle the low SNR and low quantity of data. The model is then used as a statistical image prior to solve various inverse problems at inference time without requiring any retraining. Experiments demonstrate the generative model’s utility for three real-world applications of neonatal MRI: accelerated reconstruction, motion correction, and super-resolution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google