Dual-domain Multi-path Self-supervised Diffusion Model for Accelerated MRI Reconstruction

要約

磁気共鳴イメージング（MRI）は重要な診断ツールですが、本質的に長い獲得時間は臨床効率と患者の快適性を低下させます。
深い学習、特に拡散モデルの最近の進歩により、MRIの再構築が加速されました。
ただし、既存の拡散モデルのトレーニングはしばしば完全にサンプリングされたデータに依存しており、モデルは高い計算コストが発生し、多くの場合、不確実性の推定が欠けており、臨床的適用性が制限されます。
これらの課題を克服するために、デュアルドメインマルチパス自己監視拡散モデル（DMSM）と呼ばれる新しいフレームワークを提案します。これは、再構築拡散モデルのための軽量ハイブリッド注意ネットワーク、およびマルチパスの推論戦略を強化し、再構成を強化するためのマルチパスの推論戦略を統合します。
従来の拡散ベースのモデルとは異なり、DMSMは完全にサンプリングされたデータからのトレーニングへの依存度を排除し、実際の臨床設定でより実用的になります。
2つのヒトMRIデータセットでDMSMを評価し、特に微細な解剖学的構造を維持し、高加速因子の下でアーティファクトを抑制する際に、いくつかの監視および自己監視のベースラインにわたって好ましいパフォーマンスを達成することを実証しました。
さらに、私たちのモデルは、再構築エラーと合理的によく相関する不確実性マップを生成し、貴重な臨床的に解釈可能なガイダンスを提供し、診断の自信を高める可能性があります。

要約(オリジナル)

Magnetic resonance imaging (MRI) is a vital diagnostic tool, but its inherently long acquisition times reduce clinical efficiency and patient comfort. Recent advancements in deep learning, particularly diffusion models, have improved accelerated MRI reconstruction. However, existing diffusion models’ training often relies on fully sampled data, models incur high computational costs, and often lack uncertainty estimation, limiting their clinical applicability. To overcome these challenges, we propose a novel framework, called Dual-domain Multi-path Self-supervised Diffusion Model (DMSM), that integrates a self-supervised dual-domain diffusion model training scheme, a lightweight hybrid attention network for the reconstruction diffusion model, and a multi-path inference strategy, to enhance reconstruction accuracy, efficiency, and explainability. Unlike traditional diffusion-based models, DMSM eliminates the dependency on training from fully sampled data, making it more practical for real-world clinical settings. We evaluated DMSM on two human MRI datasets, demonstrating that it achieves favorable performance over several supervised and self-supervised baselines, particularly in preserving fine anatomical structures and suppressing artifacts under high acceleration factors. Additionally, our model generates uncertainty maps that correlate reasonably well with reconstruction errors, offering valuable clinically interpretable guidance and potentially enhancing diagnostic confidence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google