論文の概要: Guiding Quantitative MRI Reconstruction with Phase-wise Uncertainty

• arxiv url: http://arxiv.org/abs/2502.20877v1
• Date: Fri, 28 Feb 2025 09:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:40:50.007779
• Title: Guiding Quantitative MRI Reconstruction with Phase-wise Uncertainty
• Title（参考訳）: 位相不確かさによる定量的MRI画像再構成の誘導
• Authors: Haozhong Sun, Zhongsen Li, Chenlin Du, Haokun Li, Yajie Wang, Huijun Chen,
• Abstract要約: 我々は,qMRI再構成における不確実性インフォーメーションの利用を先駆する新しいアプローチであるPUQを導入した。 PUQは、2段階の再構成とパラメータフィッティングの枠組みを用いており、このフレームワークでは、再構成中に位相的不確実性を推定し、フィッティングの段階で利用することができる。 既存のqMRI再構成法と比較して、PUQはパラメータマップピングにおける最先端の性能を達成した。
• 参考スコア（独自算出の注目度）: 2.0542982544717012
• License:
• Abstract: Quantitative magnetic resonance imaging (qMRI) requires multi-phase acqui-sition, often relying on reduced data sampling and reconstruction algorithms to accelerate scans, which inherently poses an ill-posed inverse problem. While many studies focus on measuring uncertainty during this process, few explore how to leverage it to enhance reconstruction performance. In this paper, we in-troduce PUQ, a novel approach that pioneers the use of uncertainty infor-mation for qMRI reconstruction. PUQ employs a two-stage reconstruction and parameter fitting framework, where phase-wise uncertainty is estimated during reconstruction and utilized in the fitting stage. This design allows uncertainty to reflect the reliability of different phases and guide information integration during parameter fitting. We evaluated PUQ on in vivo T1 and T2 mapping datasets from healthy subjects. Compared to existing qMRI reconstruction methods, PUQ achieved the state-of-the-art performance in parameter map-pings, demonstrating the effectiveness of uncertainty guidance. Our code is available at https://anonymous.4open.science/r/PUQ-75B2/.
• Abstract（参考訳）: 定量的磁気共鳴イメージング(qMRI)は多相アキシスを必要とし、しばしばスキャンを加速するためにデータサンプリングと再構成アルゴリズムに頼っている。 この過程における不確実性の測定に焦点をあてる研究は多いが、再建性能を高めるためにその活用方法を検討する研究は少ない。 本稿では,qMRI再構成における不確実性推論の先駆的手法であるPUQを紹介する。 PUQは、2段階の再構成とパラメータフィッティングの枠組みを用いており、このフレームワークでは、再構成中に位相的不確かさを推定し、フィッティングの段階で利用することができる。 この設計により、異なる位相の信頼性を反映し、パラメータフィッティング時の情報統合をガイドすることができる。 健常者からの生体内T1およびT2マッピングデータセットを用いたPUQの評価を行った。 既存のqMRI再構成法と比較して,PUQはパラメータマップピングにおける最先端性能を達成し,不確実性ガイダンスの有効性を実証した。 私たちのコードはhttps://anonymous.4open.science/r/PUQ-75B2/で利用可能です。

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)
• 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)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Uncertainty Estimation and Propagation in Accelerated MRI Reconstruction [1.9392807501735063]
  深層学習技術は予期せぬ失敗と幻覚構造で知られている。 十分な校正された不確実性定量化は、臨床実践においてこの技術を安全に活用するための重要な要素となるだろう。 条件付き階層的変分オートエンコーダのアイデアに基づく新しい確率的再構築手法(PHiRec)を提案する。
  論文  参考訳（メタデータ） (2023-08-04T16:41:05Z)
• PixCUE -- Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification [0.0]
  画素分類フレームワークを用いたMRI再構成における不確実性を推定する手法を提案する。 提案手法は, 復元誤差と高い相関関係を持つ不確実性マップを生成することを実証する。 PixCUEはMRI再構成における不確実性を最小の計算コストで確実に推定できる。
  論文  参考訳（メタデータ） (2023-02-28T22:26:18Z)
• Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
  非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
  論文  参考訳（メタデータ） (2023-02-18T06:11:49Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Learned Proximal Networks for Quantitative Susceptibility Mapping [9.061630971752464]
  本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。 このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
  論文  参考訳（メタデータ） (2020-08-11T22:35:24Z)

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。