High-Frequency Space Diffusion Models for Accelerated MRI

要約

ノイズ除去拡散確率モデル (DDPM) は、MRI 再構成において優れた性能を発揮することが示されています。
連続確率微分方程式 (SDE) の観点から、DDPM の逆プロセスは、再構成された MR 画像のエネルギーを最大化し、SDE シーケンス発散につながると見なすことができます。
このため、修正された高周波 DDPM モデルが MRI 再構成のために提案されています。
高周波空間 SDE (HFS-SDE) と呼ばれる連続 SDE の観点から、MR 画像のエネルギーが集中した低周波部分はもはや増幅されず、拡散プロセスは高周波の事前情報を取得することに重点を置きます。
拡散モデルの安定性が向上するだけでなく、高周波の詳細をより適切に復元できる可能性も提供します。
公開されている fastMRI データセットでの実験では、提案された HFS-SDE が、安定性と再構成精度の点で、DDPM 駆動型 VP-SDE、教師あり深層学習法、および従来の並列イメージング法よりも優れていることが示されています。

要約(オリジナル)

Denoising diffusion probabilistic models (DDPMs) have been shown to have superior performances in MRI reconstruction. From the perspective of continuous stochastic differential equations (SDEs), the reverse process of DDPM can be seen as maximizing the energy of the reconstructed MR image, leading to SDE sequence divergence. For this reason, a modified high-frequency DDPM model is proposed for MRI reconstruction. From its continuous SDE viewpoint, termed high-frequency space SDE (HFS-SDE), the energy concentrated low-frequency part of the MR image is no longer amplified, and the diffusion process focuses more on acquiring high-frequency prior information. It not only improves the stability of the diffusion model but also provides the possibility of better recovery of high-frequency details. Experiments on the publicly fastMRI dataset show that our proposed HFS-SDE outperforms the DDPM-driven VP-SDE, supervised deep learning methods and traditional parallel imaging methods in terms of stability and reconstruction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google