論文の概要: Bridging Synthetic-to-Real Gaps: Frequency-Aware Perturbation and Selection for Single-shot Multi-Parametric Mapping Reconstruction

• arxiv url: http://arxiv.org/abs/2503.03475v1
• Date: Wed, 05 Mar 2025 13:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:51:16.360175
• Title: Bridging Synthetic-to-Real Gaps: Frequency-Aware Perturbation and Selection for Single-shot Multi-Parametric Mapping Reconstruction
• Title（参考訳）: ブリジングシンセティック・トゥ・リアルギャップ:シングルショットマルチパラメトリックマッピング再構成のための周波数認識摂動と選択
• Authors: Linyu Fan, Che Wang, Ming Ye, Qizhi Yang, Zejun Wu, Xinghao Ding, Yue Huang, Jianfeng Bao, Shuhui Cai, Congbo Cai,
• Abstract要約: 医用画像再構成のための周波数認識摂動・選択法(FPS)を提案する。 摂動は不確実性の中でドメイン不変の特徴学習を活性化し、選択は摂動の中で最適な解を洗練させる。 健常者5名,虚血性脳梗塞患者94名,髄膜腫患者46名を対象に,FPSの優位性と臨床応用性を実証した。
• 参考スコア（独自算出の注目度）: 29.118404814391432
• License:
• Abstract: Data-centric artificial intelligence (AI) has remarkably advanced medical imaging, with emerging methods using synthetic data to address data scarcity while introducing synthetic-to-real gaps. Unsupervised domain adaptation (UDA) shows promise in ground truth-scarce tasks, but its application in reconstruction remains underexplored. Although multiple overlapping-echo detachment (MOLED) achieves ultra-fast multi-parametric reconstruction, extending its application to various clinical scenarios, the quality suffers from deficiency in mitigating the domain gap, difficulty in maintaining structural integrity, and inadequacy in ensuring mapping accuracy. To resolve these issues, we proposed frequency-aware perturbation and selection (FPS), comprising Wasserstein distance-modulated frequency-aware perturbation (WDFP) and hierarchical frequency-aware selection network (HFSNet), which integrates frequency-aware adaptive selection (FAS), compact FAS (cFAS) and feature-aware architecture integration (FAI). Specifically, perturbation activates domain-invariant feature learning within uncertainty, while selection refines optimal solutions within perturbation, establishing a robust and closed-loop learning pathway. Extensive experiments on synthetic data, along with diverse real clinical cases from 5 healthy volunteers, 94 ischemic stroke patients, and 46 meningioma patients, demonstrate the superiority and clinical applicability of FPS. Furthermore, FPS is applied to diffusion tensor imaging (DTI), underscoring its versatility and potential for broader medical applications. The code is available at https://github.com/flyannie/FPS.
• Abstract（参考訳）: データ中心人工知能(AI)は、合成データを使用してデータ不足に対処し、合成と現実のギャップを導入しながら、極めて高度な医療画像を提供する。 教師なし領域適応(UDA)は、真理と厳密なタスクにおいて有望であるが、再建におけるその応用はいまだ未定である。 MOLED(Multiple Overlapping-echo Detachment)は超高速なマルチパラメトリック再構成を実現し,その適用範囲を様々な臨床シナリオに拡張するが,その品質は領域ギャップの緩和,構造的整合性の維持,マッピング精度の確保に不適当である。 これらの問題を解決するために、我々は、周波数適応選択(FAS)、コンパクトFAS(cFAS)、特徴認識アーキテクチャ統合(FAI)を統合した、WDFP(Wsserstein distance-modulated frequency-aware perturbation)と階層型周波数認識選択ネットワーク(HFSNet)からなる周波数認識摂動と選択(FPS)を提案する。 具体的には、摂動は不確実性内のドメイン不変の特徴学習を活性化し、選択は摂動内の最適解を洗練し、堅牢で閉ループ学習経路を確立する。 5名の健常者,94名の虚血性脳梗塞患者,46名の髄膜腫患者から得られた各種臨床症例とともに,FPSの優位性と臨床応用性を示した。 さらに、FPSは拡散テンソルイメージング(DTI)に応用され、その汎用性と幅広い医療応用の可能性を強調している。 コードはhttps://github.com/flyannie/FPSで公開されている。

関連論文リスト

• AMM-Diff: Adaptive Multi-Modality Diffusion Network for Missing Modality Imputation [2.8498944632323755]
  臨床実践において、フルイメージングは必ずしも実現可能ではなく、多くの場合、複雑な取得プロトコル、厳格なプライバシ規則、特定の臨床ニーズのためである。 有望な解決策は、利用可能なものから欠落したモダリティが生成されるデータ計算の欠如である。 適応多モード拡散ネットワーク (AMM-Diff) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T12:29:33Z)
• FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis [6.475175425060296]
  我々は、周波数誘導および粗粒拡散モデル(FgC2F-UDiff)という新しい統合合成モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T04:42:45Z)
• Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy [0.0]
  集束超音波治療は、脊髄損傷の最適な標的治療のための有望なツールである。 現在のアプローチでは、制御波動伝播方程式の解法をコンピュータシミュレーションに頼っている。 患者脊髄のFUS圧力場を高速に予測するための畳み込み深部演算ネットワーク(DeepONet)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T18:03:38Z)
• 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)
• TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
  本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。 本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。 実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-19T13:45:13Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Physics-informed Deep Diffusion MRI Reconstruction with Synthetic Data: Break Training Data Bottleneck in Artificial Intelligence [27.618154067389018]
  拡散磁気共鳴イメージング(MRI)は、非侵襲的な水分子の動き検出のための唯一の画像モダリティである。 マルチショット技術によって得られたDWIは,高分解能,信号対雑音比,幾何歪みの低減を実現している。 これらのアーティファクトは将来的に除去できないため、アーティファクトフリーのトレーニングラベルが欠落する。 高品質なペアリング学習データを合成するための物理インフォームド深部DWI再構成法(PIDD)を提案する。
  論文  参考訳（メタデータ） (2022-10-20T16:27:54Z)
• DA-VSR: Domain Adaptable Volumetric Super-Resolution For Medical Images [69.63915773870758]
  本稿では,ドメイン不整合ギャップを補うために,DA-VSR(Domain Adaptable Super- resolution)と呼ばれる新しいアルゴリズムを提案する。 DA-VSRは、統合された特徴抽出バックボーンと一連のネットワークヘッドを使用して、異なる平面上での画像品質を改善する。 DA-VSRは、異なる領域の多くのデータセットにおいて、超解像品質を著しく向上することを示した。
  論文  参考訳（メタデータ） (2022-10-11T03:16:35Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。