SGPnP améliore la reconstruction d’IRM dégradées

LLéna

Des chercheurs de l’Université du Wisconsin à Madison, de l’Université Washington à Saint-Louis et du Los Alamos National Laboratory présentent SGPnP, une méthode qui associe des modèles de diffusion préentraînés à des solveurs plug-and-play, selon AlphaSignal. Ces solveurs servent à reconstruire des images à partir de mesures, et SGPnP les combine avec ces modèles sans recourir à l’échantillonnage par diffusion inverse. La méthode ajoute du bruit gaussien à l’entrée du débruiteur à chaque itération ; les auteurs indiquent que cette opération pourrait aider les itérations à échapper aux points selles stricts dans des problèmes mal posés. Pour évaluer la reconstruction d’images d’IRM du jeu fastMRI, les chercheurs ont notamment testé un sous-échantillonnage par un facteur de 4, qui réduit les mesures disponibles. Dans cette expérience, SGPnP obtient un score PSNR de 32,54, contre 29,60 pour DPS et 29,81 pour DiffPIR, deux méthodes de comparaison rapportées pour la même tâche. Une autre expérience porte sur le remplissage de zones masquées sur des images de visages du jeu FFHQ : SGPnP atteint 25,21 en PSNR, contre 18,50 pour SNORE, une méthode plug-and-play stochastique. Ces résultats concernent les expériences présentées ; ils ne suffisent pas à établir une performance identique sur toutes les images médicales ou toutes les situations de reconstruction. Le code est publié sur GitHub, et SGPnP est compatible avec plusieurs variantes de solveurs, dont ADMM, PGM et RED, ce qui permet de l’intégrer à différentes approches plug-and-play.