High-Frequency Space Diffusion Models for Accelerated MRI

要約

連続確率微分方程式 (SDE) を使用した拡散モデルは、画像生成において優れたパフォーマンスを示しています。
これは、MR 再構成の逆問題を解く前に、深層生成として使用できます。
ただし、既存の VP-SDE は、再構成する MR 画像のエネルギーを最大化するものとして扱うことができ、SDE シーケンスの発散につながる可能性があります。
VE-SDE ベースの MR 再構成は、実際の拡散プロセスと一致しません。
さらに、VE ベースと VP-SDE ベースのモデルはどちらも、サンプリング手順に時間がかかるため、再構築に時間がかかります。
この研究では、高周波空間での拡散プロセスに焦点を当てた新しい SDE が、拡散モデルに基づく堅牢な MR 再構成用に特別に設計されています。
公開されている fastMRI データセットに関する実験では、HFS-SDE ベースの再構成法が、再構成精度の点で、並列イメージング、教師あり深層学習、および既存の VE および VP-SDE ベースの方法よりも優れていることが示されています。
また、MR 再構成の安定性を向上させ、逆拡散のサンプリング手順を加速します。

要約(オリジナル)

Diffusion models with continuous stochastic differential equations (SDEs) have shown superior performances in image generation. It can be used as a deep generative prior to solve the inverse problem in MR reconstruction. However, the existing VP-SDE can be treated as maximizing the energy of the MR image to be reconstructed and may lead to SDE sequence divergence. The VE-SDE based MR reconstruction is not consistent with actual diffusion process. In addition, both VE- and VP-SDEs-based models suffer from a time-consuming sampling procedure, resulting long reconstruction time. In this study, a new SDE focusing on the diffusion process in high-frequency space is designed specifically for robust MR reconstruction based on diffusion models. Experiments on the publicly fastMRI dataset show that HFS-SDE based reconstruction method outperforms the parallel imaging, supervised deep learning, and existing VE- and VP-SDEs-based methods in terms of reconstruction accuracy. It also improves the stability of MR reconstruction and accelerates sampling procedure of reverse diffusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google