Segmentation-guided MRI reconstruction for meaningfully diverse reconstructions

要約

加速された MRI 再構成などの逆問題は不適切な設定であり、考えられるもっともらしい解決策が無限に存在します。
これは、再構成された画像に不確実性をもたらすだけでなく、セマンティック セグメンテーションなどの下流タスクにも不確実性をもたらす可能性があります。
ただし、確率的再構成モデ​​ルが一般的に使用されているにもかかわらず、この不確実性は文献ではほとんど分析されていません。
これらのモデルは、まれな病状など、もっともらしいが可能性が低い解決策を無視する傾向があります。
拡散モデルに基づく MRI 再構成アプローチに基づいて、推論中の拡散プロセスにガイダンスを追加し、上限と下限のセグメンテーションに対応する 2 つの意味のある多様な再構成を生成します。
再構成の不確実性は、これらの境界間の差によって定量化できます。これを「不確実性境界」と呼びます。
私たちは、広範囲の加速係数に対する上限と下限のセグメンテーションの動作を分析し、繰り返しサンプリングと比較して不確実性境界の信頼性と精度が高いことを発見しました。
コードは https://github.com/NikolasMorshuis/SGR で入手できます。

要約(オリジナル)

Inverse problems, such as accelerated MRI reconstruction, are ill-posed and an infinite amount of possible and plausible solutions exist. This may not only lead to uncertainty in the reconstructed image but also in downstream tasks such as semantic segmentation. This uncertainty, however, is mostly not analyzed in the literature, even though probabilistic reconstruction models are commonly used. These models can be prone to ignore plausible but unlikely solutions like rare pathologies. Building on MRI reconstruction approaches based on diffusion models, we add guidance to the diffusion process during inference, generating two meaningfully diverse reconstructions corresponding to an upper and lower bound segmentation. The reconstruction uncertainty can then be quantified by the difference between these bounds, which we coin the ‘uncertainty boundary’. We analyzed the behavior of the upper and lower bound segmentations for a wide range of acceleration factors and found the uncertainty boundary to be both more reliable and more accurate compared to repeated sampling. Code is available at https://github.com/NikolasMorshuis/SGR

arxiv情報

提供元, 利用サービス

arxiv.jp, Google