論文の概要: Rapid Whole Brain Motion-robust Mesoscale In-vivo MR Imaging using Multi-scale Implicit Neural Representation

• arxiv url: http://arxiv.org/abs/2502.08634v2
• Date: Fri, 23 May 2025 14:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 15:51:02.797673
• Title: Rapid Whole Brain Motion-robust Mesoscale In-vivo MR Imaging using Multi-scale Implicit Neural Representation
• Title（参考訳）: マルチスケールインプシシット・ニューラル表現を用いた高速脳運動-robust Mesoscale In-vivo MRイメージング
• Authors: Jun Lyu, Lipeng Ning, William Consagra, Qiang Liu, Richard J. Rushmore, Berkin Bilgic, Yogesh Rathi,
• Abstract要約: マルチスケール暗黙的ニューラル表現(INR)に基づく教師なしフレームワークである回転視超解像(ROVER)-MRIを提案する。 ROVER-MRIは、複数の空間スケールで画像構造を暗黙的にかつ連続的に符号化するために座標ベースのニューラルネットワークを使用する。 元生きたサルの脳データと複数の生きた人間のデータセットの検証は、再構築性能を大幅に改善することを示した。
• 参考スコア（独自算出の注目度）: 6.894117592271847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution whole-brain in vivo MR imaging at mesoscale resolutions remains challenging due to long scan durations, motion artifacts, and limited signal-to-noise ratio (SNR). This study proposes Rotating-view super-resolution (ROVER)-MRI, an unsupervised framework based on multi-scale implicit neural representations (INR), enabling efficient recovery of fine anatomical details from multi-view thick-slice acquisitions. ROVER-MRI employs coordinate-based neural networks to implicitly and continuously encode image structures at multiple spatial scales, simultaneously modeling anatomical continuity and correcting inter-view motion through an integrated registration mechanism. Validation on ex-vivo monkey brain data and multiple in-vivo human datasets demonstrates substantially improved reconstruction performance compared to bicubic interpolation and state-of-the-art regularized least-squares super-resolution reconstruction (LS-SRR) with 2-fold reduction in scan time. Notably, ROVER-MRI achieves an unprecedented whole-brain in-vivo T2-weighted imaging at 180 micron isotropic resolution in only 17 minutes of scan time on a 7T scanner with 22.4% lower relative error compared to LS-SRR. We also demonstrate improved SNR using ROVER-MRI compared to a time-matched 3D GRE acquisition. Quantitative results on several datasets demonstrate better sharpness of the reconstructed images with ROVER-MRI for different super-resolution factors (5 to 11). These findings highlight ROVER-MRI's potential as a rapid, accurate, and motion-resilient mesoscale imaging solution, promising substantial advantages for neuroimaging studies.
• Abstract（参考訳）: メソスケール解像度での高分解能全脳MRI像は、長時間のスキャン時間、運動アーチファクト、信号-雑音比(SNR)の制限により、いまだに困難である。 本研究では,マルチスケール暗黙的ニューラル表現(INR)に基づく教師なしフレームワークであるROVER-MRIを提案する。 ROVER-MRIは座標ベースのニューラルネットワークを用いて、複数の空間スケールで画像構造を暗黙的にかつ連続的に符号化し、同時に解剖学的連続性をモデル化し、統合された登録機構を通じてビュー間運動を補正する。 前生猿の脳データと複数の人体データセットの検証は、バイコビック補間や最先端の正規化最小二乗分解能再構成(LS-SRR)と比較して、スキャン時間を2倍に短縮した再構成性能を著しく向上させる。 特に、ROVER-MRIは、LS-SRRと比較して22.4%低い相対誤差を持つ7Tスキャナー上で、わずか17分で180ミクロン等方分解能で、前例のない全脳のT2強調像を達成している。 また, ROVER-MRIによるSNRの改善を, タイムマッチングによる3次元GRE取得と比較した。 複数のデータセットの定量的結果から, ROVER-MRIによる再構成画像のシャープネスが, 超解像因子(5～11。 これらの結果は、ROVER-MRIが高速で正確で、運動耐性のメソスケールイメージングソリューションとしての可能性を強調し、ニューロイメージング研究に有意義な優位性をもたらすことを示唆している。

関連論文リスト

• MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting [3.9576638237437183]
  本研究では, 重要な解剖学的詳細を保存しながら, サンプリング工程を大幅に短縮する残差シフト機構を提案する。 本稿では,残差シフトを前方拡散プロセスに統合するRes-SRDiffという新しい拡散型SRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-03T14:15:08Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors [39.58317527488534]
  RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。 DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
  論文  参考訳（メタデータ） (2023-11-22T16:01:44Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Predicting 4D Liver MRI for MR-guided Interventions [2.9699476315275772]
  臓器の動きは、画像誘導の介入において未解決の課題となる。 視野が大きいリアルタイム高分解能4次元MRIのための新しい手法を提案する。 取得時間を2分に短縮した小さなトレーニングサイズでは,すでに有望な結果が得られていることを示す。
  論文  参考訳（メタデータ） (2022-02-25T11:34:25Z)
• Edge-Enhanced Dual Discriminator Generative Adversarial Network for Fast MRI with Parallel Imaging Using Multi-view Information [10.616409735438756]
  高速なマルチチャンネルMRI再構成のための並列画像結合型二重判別器生成対向ネットワーク(PIDD-GAN)を提案する。 1つの判別器は全体像再構成に使用され、もう1つはエッジ情報の強化に責任がある。 以上の結果から,PIDD-GANは良質なMR画像と良好な保存エッジ情報を提供することがわかった。
  論文  参考訳（メタデータ） (2021-12-10T10:49:26Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI Reconstruction with Deep T1 Prior [19.720518236653195]
  深部T1を組み込んだDuDoRNet(DuDoRNet)を提案し,k空間と画像の同時復元を行う。 提案手法は常に最先端の手法より優れており,高品質なMRIを再構築することができる。
  論文  参考訳（メタデータ） (2020-01-11T21:34:48Z)

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。