論文の概要: Pretext Task Adversarial Learning for Unpaired Low-field to Ultra High-field MRI Synthesis

• arxiv url: http://arxiv.org/abs/2503.05339v1
• Date: Fri, 07 Mar 2025 11:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:20:55.214015
• Title: Pretext Task Adversarial Learning for Unpaired Low-field to Ultra High-field MRI Synthesis
• Title（参考訳）: 低音場から超高音場MRI合成のためのテキストタスク逆学習
• Authors: Zhenxuan Zhang, Peiyuan Jing, Coraline Beitone, Jiahao Huang, Zhifan Gao, Guang Yang, Pete Lally,
• Abstract要約: 低磁場MRIは、高磁場MRIと比較して、信号対雑音比(SNR)と空間分解能の低下に悩まされることが多い。 低磁場MRIデータからの高磁場MRI合成のためのPretext Task Adversarial (PTA) 学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.998097558786736
• License:
• Abstract: Given the scarcity and cost of high-field MRI, the synthesis of high-field MRI from low-field MRI holds significant potential when there is limited data for training downstream tasks (e.g. segmentation). Low-field MRI often suffers from a reduced signal-to-noise ratio (SNR) and spatial resolution compared to high-field MRI. However, synthesizing high-field MRI data presents challenges. These involve aligning image features across domains while preserving anatomical accuracy and enhancing fine details. To address these challenges, we propose a Pretext Task Adversarial (PTA) learning framework for high-field MRI synthesis from low-field MRI data. The framework comprises three processes: (1) The slice-wise gap perception (SGP) network aligns the slice inconsistencies of low-field and high-field datasets based on contrastive learning. (2) The local structure correction (LSC) network extracts local structures by restoring the locally rotated and masked images. (3) The pretext task-guided adversarial training process introduces additional supervision and incorporates a discriminator to improve image realism. Extensive experiments on low-field to ultra high-field task demonstrate the effectiveness of our method, achieving state-of-the-art performance (16.892 in FID, 1.933 in IS, and 0.324 in MS-SSIM). This enables the generation of high-quality high-field-like MRI data from low-field MRI data to augment training datasets for downstream tasks. The code is available at: https://github.com/Zhenxuan-Zhang/PTA4Unpaired_HF_MRI_SYN.
• Abstract（参考訳）: 高磁場MRIの不足とコストを考えると、低磁場MRIからの高磁場MRIの合成は、下流タスク(例えばセグメンテーション)を訓練するための限られたデータがある場合に有意なポテンシャルを持つ。 低磁場MRIは、高磁場MRIと比較して、信号対雑音比(SNR)と空間分解能の低下に悩まされることが多い。 しかし,高磁場MRIデータの合成は課題を呈している。 これらは、解剖学的精度を維持しながら、領域間で画像の特徴を整列させ、細部を拡大する。 これらの課題に対処するために、低磁場MRIデータからの高磁場MRI合成のためのPretext Task Adversarial (PTA) 学習フレームワークを提案する。 1) スライスワイドギャップ認識(SGP)ネットワークは, コントラスト学習に基づく低フィールドデータセットと高フィールドデータセットのスライス不整合を整列する。 2) 局所構造補正(LSC)ネットワークは局所的回転およびマスク画像の復元により局所構造を抽出する。 (3) プレテキストタスク誘導型対人訓練プロセスは、追加の監督を導入し、画像リアリズムを改善するための識別器を組み込んだ。 本手法の有効性を実証し,FIDでは16.892,ISでは1.933,MS-SSIMでは0.324であった。 これにより、低磁場MRIデータから高品質な高磁場MRIデータを生成し、下流タスクのためのトレーニングデータセットを拡張できる。 コードはhttps://github.com/Zhenxuan-Zhang/PTA4Unpaired_HF_MRI_SYNで公開されている。

関連論文リスト

• MR imaging in the low-field: Leveraging the power of machine learning [1.9565398064443327]
  低磁場および超低磁場MRIは、消費電力の低減、特定の吸収率の低減、磁場不均一性の低減、費用対効果などの利点がある。 しかし、低磁場MRIは信号対雑音比の低減や、空間分解能の低下やスキャン時間の短縮といった固有の課題に直面している。 この章では、これらの制限を克服する上での機械学習(ML)の役割に焦点を当て、低磁場と超低磁場MRIの課題と機会について考察する。
  論文  参考訳（メタデータ） (2025-01-28T15:06:47Z)
• 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)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• 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)
• Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image Reconstruction from 0.5T MRI [22.024215676838185]
  本稿では,教師の学習機構を活用したメタラーニング手法を提案する。 最適なトランスポート駆動型教師は,高磁場MRI画像から低磁場MR画像への劣化過程を学習する。 そして、スコアベースの学生は、低磁場MRIから高磁場のようなMR像を再構成する逆問題を解決する。
  論文  参考訳（メタデータ） (2023-05-04T02:40:42Z)
• Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
  本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。 我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T04:09:21Z)
• 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)
• 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)
• MRI Super-Resolution with GAN and 3D Multi-Level DenseNet: Smaller, Faster, and Better [16.65044022241517]
  高分解能(HR)磁気共鳴画像(MRI)は、臨床応用において診断に重要な詳細な解剖情報を提供する。 HR MRIは通常、長時間のスキャン、空間被覆の小さい、信号対雑音比(SNR)のコストがかかる。 近年の研究では、ディープ畳み込みニューラルネットワーク(CNN)を用いて、単一画像超解像(SISR)アプローチにより、低解像度(LR)入力からHRジェネリックイメージを復元できることが示されている。
  論文  参考訳（メタデータ） (2020-03-02T22:07:56Z)

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。