論文の概要: Enhancing 3T BOLD fMRI SNR using Unpaired 7T Data with Schrödinger Bridge Diffusion

• arxiv url: http://arxiv.org/abs/2504.01004v1
• Date: Tue, 01 Apr 2025 17:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 15:43:09.223827
• Title: Enhancing 3T BOLD fMRI SNR using Unpaired 7T Data with Schrödinger Bridge Diffusion
• Title（参考訳）: シュレーディンガー橋拡散を用いた7Tデータを用いた3T BOLD fMRI SNRの高速化
• Authors: Yujian Xiong, Xuanzhao Dong, Sebastian Waz, Wenhui Zhu, Negar Mallak, Zhong-lin Lu, Yalin Wang,
• Abstract要約: ほとんどの研究は、空間分解能が低く、時間とSNRが低い3T MRIシステムに依存している。 異なる対象データセットから7Tと3TのfMRIデータを整列する新しいフレームワークを提案する。 次に、3TデータのSNRを高めるために、未ペアのBrain Disk Schr"odinger Bridge拡散モデルを適用する。
• 参考スコア（独自算出の注目度）: 1.8091533096543726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High spatial and temporal resolution, coupled with a strong signal-to-noise ratio (SNR), has made BOLD 7 Tesla fMRI an invaluable tool for understanding how the brain processes visual stimuli. However, the limited availability of 7T MRI systems means that most research relies on 3T MRI systems, which offer lower spatial and temporal resolution and SNR. This naturally raises the question: Can we enhance the spatiotemporal resolution and SNR of 3T BOLD fMRI data to approximate 7T quality? In this study, we propose a novel framework that aligns 7T and 3T fMRI data from different subjects and datasets in a shared parametric domain. We then apply an unpaired Brain Disk Schr\"odinger Bridge diffusion model to enhance the spatiotemporal resolution and SNR of the 3T data. Our approach addresses the challenge of limited 7T data by improving the 3T scan quality. We demonstrate its effectiveness by testing it on two distinct fMRI retinotopy datasets (one 7T and one 3T), as well as synthetic data. The results show that our method significantly improves the SNR and goodness-of-fit of the population receptive field (pRF) model in the enhanced 3T data, making it comparable to 7T quality. The codes will be available at Github.
• Abstract（参考訳）: 高空間分解能と時間分解能、SNR(strong signal-to-noise ratio)の併用により、BOLD 7 Tesla fMRIは、脳が視覚刺激をどのように処理するかを理解するための貴重なツールとなった。 しかし、7T MRIシステムの可用性は限られているため、ほとんどの研究は3T MRIシステムに依存しており、空間分解能と時間分解能の低下とSNRを提供する。 これは自然に疑問を呈する: 3T BOLD fMRIデータの時空間分解能とSNRを7T品質に拡張できるか? 本研究では、7Tと3TのfMRIデータを共有パラメトリック領域内の異なる対象とデータセットから整列する新しいフレームワークを提案する。 次に、3Tデータの時空間分解能とSNRを高めるために、未ペアのBrain Disk Schr\"odinger Bridge拡散モデルを適用した。 提案手法は, 3Tスキャンの品質を向上させることで, 限られた7Tデータに対する課題に対処する。 2つの異なるfMRIレチノトピーデータセット(1つの7Tと1つの3T)と合成データを用いて、その効果を実証した。 以上の結果から,本手法は,拡張された3Tデータにおいて,集団受容野(pRF)モデルのSNRと適合性を大幅に向上し,7T品質に匹敵することを示した。 コードはGithubで入手できる。

関連論文リスト

• Parameter-Efficient Fine-Tuning of 3D DDPM for MRI Image Generation Using Tensor Networks [23.30947697113457]
  3次元U-Netを用いた拡散確率モデル(DDPM)におけるパラメータ効率細調整(PEFT)の課題に対処する。 本研究では,3次元畳み込みバックボーンを有するDDPMを微調整するための新しいPEFT手法であるTenVOOを提案する。 この結果から, マルチスケール類似度指標(MS-SSIM)において, TenVOO が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-07-24T05:51:51Z)
• Converting T1-weighted MRI from 3T to 7T quality using deep learning [7.220190703291239]
  超高分解能 7 tesla (7T) 磁気共鳴画像(MRI)は、詳細な解剖学的見解を提供する。 3T脳MRIから7T脳MRIを合成するための高度なディープラーニングモデルを提案する。 画像ベース評価尺度では,最先端の3T-to-7Tモデルが2つのモデルより優れていた。
  論文  参考訳（メタデータ） (2025-07-18T09:54:59Z)
• Real-IAD D3: A Real-World 2D/Pseudo-3D/3D Dataset for Industrial Anomaly Detection [53.2590751089607]
  Real-IAD D3は高精度なマルチモーダルデータセットであり、フォトメトリックステレオによって生成された擬似3Dモダリティが組み込まれている。 本稿では,RGB,点雲,擬似3次元深度情報を統合し,各モードの相補的強度を活用する効果的な手法を提案する。 本実験は,検出の堅牢性向上とIAD全体の性能向上におけるこれらのモダリティの重要性を強調した。
  論文  参考訳（メタデータ） (2025-04-19T08:05:47Z)
• MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
  正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。 拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
  論文  参考訳（メタデータ） (2024-12-25T00:55:05Z)
• Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [35.73129314731503]
  リングアーティファクトは、X線検出器の非理想的応答により、3DコーンビームCT(CBCT)で一般的である。 現在の最先端(SOTA)リングアーティファクトリダクション(RAR)アルゴリズムは、教師あり学習のための広範なペアCTサンプルに依存している。 マルチパラメータ逆問題として3次元CBCT RARを定式化した教師なしの textbfRiner を導入する。
  論文  参考訳（メタデータ） (2024-12-08T08:22:58Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Benchmarking 3D multi-coil NC-PDNet MRI reconstruction [2.5195203844628558]
  入力チャネル数が異なる圧縮データに基づいてトレーニングされた非カルテシアンプリマルデュアルネットワーク(NC-PDNet)は、1mm等方性32チャネル全体脳3D再構成に対して平均PSNR42.98dBを達成する。 推測時間は4.95秒,GPUメモリ使用量は5.49GBであり,臨床研究への応用に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2024-11-08T09:14:36Z)
• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• Reconstructing Retinal Visual Images from 3T fMRI Data Enhanced by Unsupervised Learning [2.1597860906272803]
  GAN(unsupervised Generative Adversarial Network)を通して3T fMRIデータを生成する新しいフレームワークを提案する。 本稿では,3T fMRIデータの再構成能力を実証し,優れた入力画像を生成する能力を強調した。
  論文  参考訳（メタデータ） (2024-04-07T23:31:37Z)
• 7T MRI Synthesization from 3T Acquisitions [1.1549572298362787]
  改良されたディープラーニング技術は、3T MRI入力から合成された7T MRIを生成するために使用できる。 本稿では,V-Net畳み込みニューラルネットワークのカスタム設計版に基づく,新しい7T合成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-13T22:06:44Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)
• Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound [59.97366727654676]
  3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。 米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。 本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:23:55Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。