Core Concepts
提案手法SSDiffReconは、クロスアテンション変換器を用いた巻き戻し拡散モデルと物理制約に基づくデータ整合性ブロックを組み合わせた、自己教師学習によるMRI再構成手法である。
Abstract
本研究では、自己教師学習によるMRI再構成手法SSDiffReconを提案している。SSDiffReconは、クロスアテンション変換器を用いた巻き戻し拡散モデルと物理制約に基づくデータ整合性ブロックを組み合わせた手法である。
まず、SSDiffReconは条件付き拡散モデルを用いて、部分的に取得したk空間データから完全なMR画像を再構成する。拡散過程の逆方向の処理には、クロスアテンション変換器を用いた非線形ネットワークを採用している。これにより、時間ステップに応じた適応性を向上させている。
次に、SSDiffReconは自己教師学習を採用している。部分的に取得したk空間データを入力とし、マスクされた部分のk空間値を予測するように学習を行う。これにより、完全な教師データを必要とせずに、高品質な再構成が可能となる。
実験では、公開データセットを用いて提案手法の有効性を確認している。SSDiffReconは、教師あり手法と遜色ない再構成性能を示しつつ、自己教師学習手法と比較して高速かつ高品質な再構成が可能であることが示された。
Stats
部分的に取得したk空間データを入力とし、マスクされた部分のk空間値を予測することで自己教師学習を行っている。
5%のk空間点を使用してマスクを生成している。
Quotes
"SSDiffReconは、クロスアテンション変換器を用いた巻き戻し拡散モデルと物理制約に基づくデータ整合性ブロックを組み合わせた手法である。"
"SSDiffReconは自己教師学習を採用しており、完全な教師データを必要とせずに高品質な再構成が可能となる。"