噪声水平自适应扩散模型用于加速 MRI 的鲁棒重建
图像与视频处理
2025-01-24 v2 人工智能
计算机视觉与模式识别
摘要
一般而言，基于扩散模型的 MRI 重建方法通过逐步去除人工添加的噪声并施加数据一致性来重建底层图像。然而，现实世界的 MRI 采集由于热波动已包含固有噪声。在使用超快、高分辨率成像序列进行前沿研究，或使用低收入和中等收入国家青睐的低场系统时，这种现象尤为显著。这些常见场景可能导致现有基于扩散模型的重建技术性能次优或完全失效。具体而言，随着人工添加的噪声被逐步去除，固有的 MRI 噪声变得日益显著，使得实际噪声水平与预定义的去噪计划不一致，从而导致图像重建不准确。为解决这一问题，我们提出了一种后验采样策略，并引入了一种新颖的噪声水平自适应数据一致性（NoIse Level Adaptive Data Consistency, Nila-DC）操作。我们在两个公共数据集和一个场强范围从 0.3T 到 3T 的内部临床数据集上进行了大量实验，结果表明我们的方法超越了最先进的 MRI 重建方法，并且对各种噪声水平具有高度鲁棒性。Nila 的代码可在 https://github.com/Solor-pikachu/Nila 获取。
引用
@article{arxiv.2403.05245,
title = {Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI},
author = {Shoujin Huang and Guanxiong Luo and Xi Wang and Ziran Chen and Yuwan Wang and Huaishui Yang and Pheng-Ann Heng and Lingyan Zhang and Mengye Lyu},
journal= {arXiv preprint arXiv:2403.05245},
year = {2025}
}