論文の概要: ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning

• arxiv url: http://arxiv.org/abs/2501.04284v1
• Date: Wed, 08 Jan 2025 05:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:56:32.648344
• Title: ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning
• Title（参考訳）: ContextMRI: メタデータコンディショニングによる圧縮型MRIの強化
• Authors: Hyungjin Chung, Dohun Lee, Zihui Wu, Byung-Hoon Kim, Katherine L. Bouman, Jong Chul Ye,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.26601171361753
• License:
• Abstract: Compressed sensing MRI seeks to accelerate MRI acquisition processes by sampling fewer k-space measurements and then reconstructing the missing data algorithmically. The success of these approaches often relies on strong priors or learned statistical models. While recent diffusion model-based priors have shown great potential, previous methods typically ignore clinically available metadata (e.g. patient demographics, imaging parameters, slice-specific information). In practice, metadata contains meaningful cues about the anatomy and acquisition protocol, suggesting it could further constrain the reconstruction problem. In this work, we propose ContextMRI, a text-conditioned diffusion model for MRI that integrates granular metadata into the reconstruction process. We train a pixel-space diffusion model directly on minimally processed, complex-valued MRI images. During inference, metadata is converted into a structured text prompt and fed to the model via CLIP text embeddings. By conditioning the prior on metadata, we unlock more accurate reconstructions and show consistent gains across multiple datasets, acceleration factors, and undersampling patterns. Our experiments demonstrate that increasing the fidelity of metadata, ranging from slice location and contrast to patient age, sex, and pathology, systematically boosts reconstruction performance. This work highlights the untapped potential of leveraging clinical context for inverse problems and opens a new direction for metadata-driven MRI reconstruction.
• Abstract（参考訳）: 圧縮センシングMRIは、少ないk空間の測定をサンプリングし、欠落したデータをアルゴリズムで再構築することで、MRI取得プロセスの高速化を目指している。 これらのアプローチの成功は、しばしば強い事前や学習された統計モデルに依存している。 最近の拡散モデルに基づく先行研究は大きな可能性を示しているが、従来の手法は一般的に臨床で利用可能なメタデータ(例えば、患者の人口統計、画像パラメータ、スライス固有の情報)を無視する。 実際には、メタデータには、解剖と取得プロトコルに関する意味のある手がかりが含まれており、再構築の問題をさらに制約する可能性があることを示唆している。 本研究では,粒度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。 我々は、最小処理された複雑なMRI画像に基づいて、ピクセル空間拡散モデルを直接訓練する。 推論中、メタデータは構造化されたテキストプロンプトに変換され、CLIPテキスト埋め込みを介してモデルに送信される。 メタデータに事前条件を付けることで、より正確な再構築を解放し、複数のデータセット、アクセラレーションファクタ、アンダーサンプリングパターンに対して一貫性のあるゲインを示す。 本実験は,スライス位置,コントラスト,患者年齢,性別,病理などのメタデータの忠実度を高めることで,再建性能を体系的に向上することを示した。 この研究は、逆問題に臨床コンテキストを活用する未解決の可能性を強調し、メタデータ駆動型MRI再建の新しい方向性を開く。

関連論文リスト

• MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
  我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。 独立画素の仮定を破る自己教師型深部変分法を提案する。 そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
  論文  参考訳（メタデータ） (2024-11-16T11:11:36Z)
• DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic Models [11.068359534951783]
  DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。 我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。 その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-12-08T06:11:21Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [12.414040285543273]
  CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。 実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
  論文  参考訳（メタデータ） (2022-10-12T15:49:51Z)
• A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
  臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
  論文  参考訳（メタデータ） (2022-08-26T18:34:41Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)

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。