論文の概要: Accelerating MRI with Longitudinally-informed Latent Posterior Sampling

• arxiv url: http://arxiv.org/abs/2407.00537v2
• Date: Sat, 18 Oct 2025 02:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.057731
• Title: Accelerating MRI with Longitudinally-informed Latent Posterior Sampling
• Title（参考訳）: 経時的インフォームド後腹膜サンプリングによるMRIの高速化
• Authors: Yonatan Urman, Zachary Shah, Ashwin Kumar, Bruno P. Soares, Kawin Setsompop,
• Abstract要約: 縦方向の学習データを必要としない拡散モデルに基づく再構成フレームワークを提案する。 推測において,本フレームワークは対象者のDICOMフォーマットの事前スキャンを統合し,フォローアップの再構築を誘導する。 本手法は,長手および非縦長のベースライン再構築法より一貫して優れる。
• 参考スコア（独自算出の注目度）: 2.1965682857041906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To accelerate MRI acquisition by incorporating the previous scans of a subject during reconstruction. Although longitudinal imaging constitutes much of clinical MRI, leveraging previous scans is challenging due to the complex relationship between scan sessions, potentially involving substantial anatomical or pathological changes, and the lack of open-access datasets with both longitudinal pairs and raw k-space needed for training deep learning-based reconstruction models. Methods: We propose a diffusion-model-based reconstruction framework that eliminates the need for longitudinally paired training data. During training, we treat all scan timepoints as samples from the same distribution, therefore requiring only standalone images. At inference, our framework integrates a subject's prior scan in magnitude DICOM format, which is readily available in clinical workflows, to guide reconstruction of the follow-up. To support future development, we introduce an open-access clinical dataset containing multi-session pairs including prior DICOMs and follow-up k-space. Results: Our method consistently outperforms both longitudinal and non-longitudinal baseline reconstruction methods across various accelerated Cartesian acquisition strategies. In imaging regions highly similar to the prior scan, we observe up to 10\% higher SSIM and 2 dB higher PSNR, without degradation in dissimilar areas. Compared to longitudinal reconstruction baselines, our method demonstrates robustness to varying degrees of anatomical change and misregistration. Conclusion: We demonstrate that prior scans can be effectively integrated with state-of-the-art diffusion-based reconstruction methods to improve image quality and enable greater scan acceleration, without requiring an extensive longitudinally-paired training dataset.
• Abstract（参考訳）: 目的:再建時に被検体の以前のスキャンを組み込むことで、MRIの取得を加速する。 縦断画像は臨床MRIの大部分を構成するが、スキャンセッション間の複雑な関係、解剖学的あるいは病理学的変化の可能性があること、深層学習に基づく再構築モデルのトレーニングに必要な縦断的ペアと生のk空間の両方によるオープンアクセスデータセットの欠如により、過去のスキャンを活用することは困難である。 方法: 縦方向の学習データを必要としない拡散モデルに基づく再構成フレームワークを提案する。 トレーニング中、すべてのスキャンタイムポイントを同じ分布からのサンプルとして扱い、従ってスタンドアロンの画像のみを必要とする。 本フレームワークは,臨床ワークフローで容易に利用できるDICOMフォーマットを対象者の先行スキャンに統合し,フォローアップの再構築を指導する。 今後の開発を支援するために,従来のDICOMやフォローアップk空間を含むマルチセッションペアを含むオープンアクセス臨床データセットを導入する。 結果: 提案手法は, 様々な加速度的カルテウス獲得戦略において, 長手および非縦手ベースライン再構築法より一貫して優れていた。 前回スキャンと非常によく似た画像領域では,SSIMが最大10倍,PSNRが2dBに増加し,異種領域の劣化はみられなかった。 本手法は, 解剖学的変化と誤登録の程度に頑健性を示す。 結語: 画像の質を向上し, スキャンアクセラレーションを向上するために, 広範囲にわたるトレーニングデータセットを必要とすることなく, 先行スキャンを最先端の拡散ベース再構築手法と効果的に統合できることを実証する。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• LEARNER: Learning Granular Labels from Coarse Labels using Contrastive Learning [28.56726678583327]
  マルチ患者スキャンで訓練されたモデルは、患者のスキャンの微妙な変化を予測することができるか? 最近のコンピュータビジョンモデルは、大きな違いを示すデータに基づいて訓練しながら、きめ細かい違いを学習する。 複数の患者からのクリップに事前トレーニングされたモデルでは、コントラスト学習を用いることで、単一の患者からのスキャンの微妙な違いをより正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2024-11-02T05:27:52Z)
• Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
  OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。 現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
  論文  参考訳（メタデータ） (2024-10-21T10:03:03Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Time-dependent Iterative Imputation for Multivariate Longitudinal Clinical Data [0.0]
  Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。 500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
  論文  参考訳（メタデータ） (2023-04-16T16:10:49Z)
• SB-SSL: Slice-Based Self-Supervised Transformers for Knee Abnormality Classification from MRI [5.199134881541244]
  膝関節MRIスキャンを用いて異常の分類を行うためのスライスベース自己教師型ディープラーニングフレームワーク(SBSSL)を提案する。 限られた症例(1000例)では,前十字靭帯断裂を89.17%,AUC0.954。
  論文  参考訳（メタデータ） (2022-08-29T23:08:41Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。