論文の概要: Evaluating structural uncertainty in accelerated MRI: are voxelwise measures useful surrogates?
- arxiv url: http://arxiv.org/abs/2503.10527v2
- Date: Mon, 11 Aug 2025 17:36:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 16:55:52.17257
- Title: Evaluating structural uncertainty in accelerated MRI: are voxelwise measures useful surrogates?
- Title（参考訳）: 加速MRIにおける構造的不確実性の評価 : ボクセルリーは有用なサロゲートか?
- Authors: Luca L. C. Trautmann, Peter A. Wijeratne, Itamar Ronen, Ivor J. A. Simpson,
- Abstract要約: ボクセルレベルの不確実性は形態的不確実性についての洞察を与えないことを示す。
臨床的に関連のある下流課題としてセグメンテーションを使用し、再建モードのアンサンブルを配置し、再建における不確実性を測定する。
- 参考スコア（独自算出の注目度）: 1.8124328823188356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Introducing accelerated reconstruction algorithms into clinical settings requires measures of uncertainty quantification that accurately assess the relevant uncertainty introduced by the reconstruction algorithm. Many currently deployed approaches quantifying uncertainty by focusing on measuring the variability in voxelwise intensity variation. Although these provide interpretable maps, they lack a structural interpretation and do not show a clear relationship to how the data will be analysed subsequently. In this work we show that voxel level uncertainty does not provide insight into morphological uncertainty. To do so, we use segmentation as a clinically-relevant downstream task and deploy ensembles of reconstruction modes to measure uncertainty in the reconstructions. We show that variability and bias in the morphological structures are present and within-ensemble variability cannot be predicted well with uncertainty measured only by voxel intensity variations.
- Abstract（参考訳）: クリニカルセッティングに高速化された再構成アルゴリズムを導入するには、再構成アルゴリズムがもたらす関連する不確実性を正確に評価する不確実性定量化の尺度が必要である。
現在デプロイされている多くのアプローチは、ボクセルワイド強度変動の変動を測定することに焦点を当てて不確実性を定量化している。
これらは解釈可能なマップを提供するが、構造的な解釈が欠如しており、その後のデータの分析方法と明確な関係を示すものではない。
本研究では, ボクセルレベルの不確実性は形態的不確実性に関する洞察を与えないことを示す。
そこで我々は, セグメンテーションを臨床関連下流業務として使用し, 再建モードのアンサンブルを配置し, 再建における不確実性を測定する。
形態構造の変動性と偏りは, ボクセル強度の変動によってのみ測定される不確実性によって予測できないことを示す。
関連論文リスト
- Mind the Detail: Uncovering Clinically Relevant Image Details in Accelerated MRI with Semantically Diverse Reconstructions [29.673866614937392]
既往の手法は,小・稀な病態の再構築に失敗し,誤診判定(偽陰性)につながる可能性が示唆された。
本研究では, セマンティック・ディバース・リコンストラクション(SDR)を提案する。セマンティカル・ディバース・リコンストラクション(SDR)は, セマンティカル・ディバース・リコンストラクション(SDR)を用いて, セマンティカル・リコンストラクション(SDR)と完全に整合し, セマンティカル・ディバース・リコンストラクション(SDR)とセマンティカル・リコンストラクション(SDR)を両立させる手法である。
SDRは偽陰性診断(高いリコール)の可能性を著しく低減し,従来の再建法と比較して平均精度を向上することを示した。
論文 参考訳（メタデータ） (2025-07-01T11:11:09Z) - Guiding Quantitative MRI Reconstruction with Phase-wise Uncertainty [2.0542982544717012]
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。
論文 参考訳（メタデータ） (2025-02-28T09:21:01Z) - 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) - Robust MRI Reconstruction by Smoothed Unrolling (SMUG) [17.391075587858058]
SMUG(Smoothed Unrolling)と呼ばれる新しい画像再構成フレームワークを提案する。
SMUGは、ランダムスムーシング(RS)に基づく頑健な学習アプローチを用いて、ディープアンローリングに基づくMRI再構成モデルを前進させる。
我々は,SMUGがMRI再建の堅牢性を向上させることを示し,様々な不安定源のセットについて述べる。
論文 参考訳（メタデータ） (2023-12-12T22:57:14Z) - 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) - 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) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳（メタデータ） (2023-06-01T10:29:58Z) - 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) - 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) - 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) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - 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) - 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)
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。