Oct, 2023

SMRD：基于 SURE 的扩散模型 MRI 坚固重建

PDF
TL;DRSURE-based MRI Reconstruction with Diffusion models (SMRD) enhances robustness during testing of diffusion models by performing test-time hyperparameter tuning using Stein's Unbiased Risk Estimator (SURE), achieving improved results on various measurement noise levels, acceleration factors, and anatomies.
diffusion modelsmri reconstructiontest-time hyperparameter tuningsure-based mri reconstructionrobustness
发现论文，激发创造
  • 重新思考用于多对比度 MRI 超分辨率的扩散模型

    提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

    Apr, 2024

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 基于 GSURE 的受损数据扩散模型训练

    该研究提出了一种新的训练技术，基于受损数据训练扩散模型并引入 GSURE 损失函数。研究表明，在一定条件下，GSURE 损失函数相当于完全监督扩散模型中使用的训练目标，并可实现与完全监督模型相当的生成性能。

    May, 2023

  • 平滑展开增强的鲁棒 MRI 重建

    MRI 重建的 DL 技术往往对输入扰动敏感，本论文提出了一种新的图像重建框架 SMUG，通过自定义随机平滑过程以提高 DL-based MRI 重建模型的鲁棒性，有效应对各种稳定性问题和扰动。

    Dec, 2023

  • 磁共振成像重建中无监督去噪扩散模型的不稳定性

    通过研究发现，即使微小的最坏情况扰动由替代模型传递而来，去噪扩散模型仍然能够生成可能误导临床医生的假组织结构，这种扰动的可转移性表明由于磁共振系统的不完善或其他噪声源，图像重构的鲁棒性可能会受到损害。此外，在更大的扰动强度下，扩散模型会产生与监督模型中观察到的不同且更具挑战性的类似高斯噪声的伪影，这强调了当前最先进的基于扩散的重构模型对可能的最坏情况扰动的脆弱性，并强调了在临床环境中改善其鲁棒性和可靠性的进一步研究的必要性。

    Jun, 2024

  • U$^2$MRPD：基于大规模潜在扩散模型的无监督 MRI 欠采样重建

    LLDM 在自然图像上的预训练模型所含的隐性视觉知识可能适用于自然图像和医学图像。通过 U$^2$MRPD 框架，我们验证了这一假设，该框架通过 MRSampler 和 MRAdapter 使 LLDM 适用于复杂数值 MRI 图像的无监督欠采样重建，实现了比监督方法和 MRI 扩散方法更好的性能，并且具有最佳的泛化能力。

    Feb, 2024

  • SPIRiT-Diffusion: 加速 MRI 的自洽驱动扩散模型

    提出了一种基于自洽驱动扩散模型的方法 ——SPIRiT-Diffusion，该方法能够通过优化模型中的随机微分方程进行扩散，避免了使用线圈灵敏度矩阵的多线圈数据重建过程中常常存在的准确估计线圈灵敏度矩阵的难题，在一项关于头颅内和颈部血管壁成像的实验中表现出了较高的重建质量和加速能力。

    Apr, 2023

  • DP-MDM：通过多个扩散模型实现细节保留的磁共振重建

    通过使用多种扩散模型提取 k 空间域中的结构和细节特征，利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量，方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据，从而有效地捕捉和呈现高分辨率的 MRI 图像。

    May, 2024

  • SAM-DiffSR：图像超分辨率的结构调制扩散模型

    我们提出了 SAM-DiffSR 模型，通过将细粒度结构信息编码到分割掩膜中，并在正向扩散过程中调制噪声，实现了对图像质量的改善，同时不增加推理过程中的计算成本。在 DIV2K 数据集上的实验结果表明，我们的方法在抑制伪影方面表现出卓越的性能，并且在 PSNR 方面超过现有的基于扩散的方法高达 0.74 dB。

    Feb, 2024

  • DREAM：扩散校正与估计自适应模型

    DREAM 是一种新型的训练框架，通过调整训练和采样的对齐以及平衡感知和失真，优化扩散模型在图像超分辨率方面的训练性能，实验结果显示 DREAM 在训练收敛速度、采样步骤和结果质量方面优于标准扩散基准方法。

    Nov, 2023