Mar, 2024

噪声级别自适应扩散模型用于加速 MRI 的稳健重构

PDF
TL;DR通过采用新的 NoIse Level Adaptive Data Consistency (Nila-DC) 操作，我们提出了一种后验采样策略来解决扩散模型 MRI 重建技术在存在固有噪声的情况下表现不佳的问题，实验证明我们的方法在各种噪声水平下超越了目前最先进的 MRI 重建方法，并且表现出很高的鲁棒性。
发现论文，激发创造
  • 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

  • 通过演化模型的后验采样，基于隐式神经表示的高加速 MRI

    使用基于隐式神经表示的后验采样方法（DiffINR），该方法能在高加速因子下实现逼真精确的扫描成像重建，并且可以将其推广应用于其他医学影像任务。

    Jul, 2024

  • 扩散先验正则化迭代重建低剂量 CT

    通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

    Oct, 2023

  • K 空间冷扩散：学习重建加速 MRI 图像不带噪声

    本文提出了一种 k 空间冷扩散模型，用于在 k 空间中进行图像退化和恢复，而无需高斯噪声，并通过与多种基于深度学习的 MRI 重建模型进行比较，在一个著名的大型开源 MRI 数据集上进行了测试。结果显示，这种新颖的退化方式能够生成加速 MRI 的高质量重建图像。

    Nov, 2023

  • 高度欠采样磁共振图像重建的相关多频扩散建模

    通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

    Sep, 2023

  • D3AD：动态去噪扩散概率模型用于异常检测

    扩展前述的隐式条件方法，我们提出了一种新的框架，通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力，有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。

    Jan, 2024

  • DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

    该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

    Feb, 2023

  • 快速可控扩散模型用于少样本 MRI 重建

    该研究介绍了一种名为 PPN（Predictor-Projector-Noisor）的新算法，它增强并加速了 MRI 低采样重建的可控生成扩散模型，结果表明 PPN 比其他可控采样方法更快速地产生与低采样 k 空间测量一致的高保真 MR 图像，无监督 PPN 加速的扩散模型适应不同的 MRI 采集参数，比监督学习技术更适用于临床使用。

    Nov, 2023

  • 基于扩散恢复模型的超声成像

    通过结合超声线性直接模型和基于生成的去噪扩散模型的学习先验，提出了一种混合重建方法，可以实现高质量图像重建并有效地估计多普勒变化的声回声强度。

    Mar, 2024

  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

    Dec, 2023