适应性扩散先验用于加速MRI重建
Alper Güngör1, Salman Uh Dar2, Şaban Öztürk3
1Department of Electrical and Electronics Engineering, Bilkent University, Ankara 06800, Turkey; National Magnetic Resonance Research Center (UMRAM), Bilkent University, Ankara 06800, Turkey; ASELSAN Research Center, Ankara 06200, Turkey.
Medical image analysis
|June 29, 2023
概括
我们介绍AdaDiff,这是磁共振成像 (MRI) 重建之前的自适应扩散. 这种新的方法提高了图像质量和可靠性,超过了现有的技术,特别是当成像条件发生变化时.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 对于MRI重建的深度学习模型,由于成像操作员的变化,通常会与一般化作斗争.
- 无条件模型通过将图像先验与特定运营商的脱提供了更高的可靠性,扩散模型显示了高保真度.
- 扩散模型中的静态图像先验可以在推断过程中导致低于最佳的性能.
研究的目的:
- 在MRI重建之前开发了第一个自适应扩散,名为AdaDiff.
- 为了提高MRI重建对域移动的性能和可靠性.
- 提高MRI重建中的扩散模型的适应性.
主要方法:
- 通过对抗映射在延长的反向扩散步骤上进行训练,AdaDiff利用了高效的扩散预先训练.
- 采用了两阶段的重建过程:最初的快速扩散阶段,然后是适应阶段.
- 适应阶段通过更新先前的数据来完善重建,以最大限度地减少数据一致性损失.
主要成果:
- 与有条件和无条件方法相比,当AdaDiff在多对比脑MRI中受到域移位时,其表现优越.
- 该方法在同一领域内实现了同等或优异的性能.
- 与可变成像操作员相比,AdaDiff显示出可靠性和稳定性的显著改进.
结论:
- AdaDiff代表了MRI重建的重大进步,提供了更好的适应性和性能.
- 适应性扩散先验有效地解决了静态先验和域移动的局限性.
- 这种方法有望在各种临床环境中实现更可靠,更高质量的MRI采集.


