DDM$^2$：基于生成扩散模型的自监督扩散MRI去噪
图像与视频处理
2023-02-07 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）是一种常见且挽救生命的医学成像技术。然而，获取高信噪比的MRI扫描需要较长的扫描时间，导致成本增加、患者不适以及通量下降。因此，MRI扫描去噪备受关注，尤其是对于信噪比严重受限的扩散MRI子类型。尽管大多数先前的MRI去噪方法本质上是监督式的，但为众多解剖部位、MRI扫描仪和扫描参数获取监督训练数据集并不现实。在此，我们提出用于扩散MRI去噪的扩散去噪模型（Denoising Diffusion Models for Denoising Diffusion MRI, DDM），一种利用扩散去噪生成模型进行MRI去噪的自监督去噪方法。我们的三阶段框架将基于统计的去噪理论整合进扩散模型，并通过条件生成执行去噪。在推理时，我们将输入的含噪测量表示为扩散马尔可夫链中一个中间后验分布的样本。我们在4个真实体内扩散MRI数据集上进行实验，表明我们的DDM在 clinically-relevant 视觉定性和定量指标上展现出优越的去噪性能。
引用
@article{arxiv.2302.03018,
title = {DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models},
author = {Tiange Xiang and Mahmut Yurt and Ali B Syed and Kawin Setsompop and Akshay Chaudhari},
journal= {arXiv preprint arXiv:2302.03018},
year = {2023}
}
备注
To appear in ICLR 2023