Super-resolution diffusion model for accelerated MRI reconstruction

Abstract

MRI reconstruction is a process to generate high-quality images from the raw data obtained during magnetic resonance imaging. Diffusion models, a class of generative models, have become a popular method for MRI Reconstruction due to their ability to generate high quality images. Diffusion models work by adding Gaussian noise to the original image and training a network to remove the noise. Diffusion models can continue to generate high quality images even with a different type of noise added to the original image. In this study we combine a resolution decreasing operator with noise scheduling used by regular diffusion models, ResDiff to perform MRI Reconstruction. One of the biggest drawbacks of Diffusion models is the amount of time taken to generate images. Down-sampling images to a lower resolution requires fewer steps allowing ResDiff to achieve competitive results in far less time.

MRI rekonstrüksiyonu, manyetik rezonans görüntüleme sırasında elde edilen ham verilerden yüksek kaliteli görüntüler oluşturma işlemidir. Üretken modellerin bir sınıfı olan difüzyon modelleri, yüksek kaliteli görüntüler oluşturma yetenekleri nedeniyle MRI Rekonstrüksiyonu için popüler bir yöntem haline geldi. Difüzyon modelleri, orijinal görüntüye Gauss gürültüsü ekleyerek ve bir ağı gürültüyü gidermek için eğiterek çalışır. Difüzyon modelleri, orijinal görüntüye farklı türde bir gürültü eklendiğinde bile yüksek kaliteli görüntüler oluşturmaya devam edebilir. Bu çalışmada, MRI Rekonstrüksiyonunu gerçekleştirmek için normal difüzyon modelleri ResDiff tarafından kullanılan gürültü programlama ile çözünürlüğü azaltan bir operatörü birleştirdik. Difüzyon modellerinin en büyük dezavantajlarından biri, görüntü oluşturmak için harcanan sürenin miktarıdır. Çözünürlüğü azaltmak, modelin çok daha kısa sürede rekabetçi sonuçlar elde etmesini sağlar.