論文の概要: RSFR: A Coarse-to-Fine Reconstruction Framework for Diffusion Tensor Cardiac MRI with Semantic-Aware Refinement

• arxiv url: http://arxiv.org/abs/2504.18520v1
• Date: Fri, 25 Apr 2025 17:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.86137
• Title: RSFR: A Coarse-to-Fine Reconstruction Framework for Diffusion Tensor Cardiac MRI with Semantic-Aware Refinement
• Title（参考訳）: RSFR : セマンティック・アウェア・リファインメントを用いた拡散性テンソル心磁図用粗大再建フレームワーク
• Authors: Jiahao Huang, Fanwen Wang, Pedro F. Ferreira, Haosen Zhang, Yinzhe Wu, Zhifan Gao, Lei Zhu, Angelica I. Aviles-Rivero, Carola-Bibiane Schonlieb, Andrew D. Scott, Zohya Khalique, Maria Dwornik, Ramyah Rajakulasingam, Ranil De Silva, Dudley J. Pennell, Guang Yang, Sonia Nielles-Vallespin,
• Abstract要約: 心拡散強調画像再構成のための新しいフレームワークであるRSFR(Reconstruction, Fusion & Refinement)を紹介する。 RSFRは、Segment Anything ModelとロバストなVision Mambaベースの再構築バックボーンを通じてゼロショットセマンティクスを活用、粗大な戦略を採用している。 提案フレームワークは,アーティファクトを効果的に緩和し,忠実度を高めるために意味的特徴を統合し,最先端の復元品質と高精度DTパラメータ推定を実現する。
• 参考スコア（独自算出の注目度）: 10.620138922340258
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cardiac diffusion tensor imaging (DTI) offers unique insights into cardiomyocyte arrangements, bridging the gap between microscopic and macroscopic cardiac function. However, its clinical utility is limited by technical challenges, including a low signal-to-noise ratio, aliasing artefacts, and the need for accurate quantitative fidelity. To address these limitations, we introduce RSFR (Reconstruction, Segmentation, Fusion & Refinement), a novel framework for cardiac diffusion-weighted image reconstruction. RSFR employs a coarse-to-fine strategy, leveraging zero-shot semantic priors via the Segment Anything Model and a robust Vision Mamba-based reconstruction backbone. Our framework integrates semantic features effectively to mitigate artefacts and enhance fidelity, achieving state-of-the-art reconstruction quality and accurate DT parameter estimation under high undersampling rates. Extensive experiments and ablation studies demonstrate the superior performance of RSFR compared to existing methods, highlighting its robustness, scalability, and potential for clinical translation in quantitative cardiac DTI.
• Abstract（参考訳）: 心拡散テンソルイメージング(英語版)(DTI)は心筋細胞の配列に固有の洞察を与え、微細な心機能とマクロな心機能とのギャップを埋める。 しかし、その臨床的有用性は、低信号対雑音比、アーティファクトのエイリアス化、正確な量的忠実性の必要性など、技術的な課題によって制限されている。 これらの制約に対処するために、心拡散強調画像再構成のための新しいフレームワークであるRSFR(Reconstruction, Segmentation, Fusion & Refinement)を導入する。 RSFRは、Segment Anything ModelとロバストなVision Mambaベースの再構築バックボーンを通じてゼロショットセマンティクスを活用、粗大な戦略を採用している。 提案フレームワークは,アーティファクトを効果的に緩和し,忠実度を高めるために意味的特徴を統合し,最先端の復元品質と高精度DTパラメータ推定を実現する。 拡張実験およびアブレーション研究は、RSFRの既存の方法と比較して優れた性能を示し、その堅牢性、拡張性、および定量的心臓DTIにおける臨床翻訳の可能性を強調した。

関連論文リスト

• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• Unsupervised Motion-Compensated Decomposition for Cardiac MRI Reconstruction via Neural Representation [22.258006903991404]
  MoCo-INRは、暗黙の神経表現(INR)と従来のモーション補償(MoCo)フレームワークを統合する、新しい教師なしの手法である。 明示的な運動モデリングとINRの連続的先行により、MoCo-INRは正確な心臓運動の分解と高品質なCMR再構成を実現できる。
  論文  参考訳（メタデータ） (2025-11-14T16:05:37Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• MedVSR: Medical Video Super-Resolution with Cross State-Space Propagation [63.38824041721275]
  低解像度(LR)医療ビデオは、ビデオ超解像度(VSR)モデルに固有の課題を提示する。 本稿では,医療用VSRのためのフレームワークであるMedVSRを提案する。 MedVSRは既存のVSRモデルよりも性能と効率が優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:56:59Z)
• ReMAR-DS: Recalibrated Feature Learning for Metal Artifact Reduction and CT Domain Transformation [12.205008231517326]
  kVCT画像のアーチファクトは画像品質を低下させ、臨床的決定に影響を及ぼす。 我々は,kVCTからMega-Voltage CT(MVCT)へのメタアーティファクトリダクションとドメイン変換のためのディープラーニングフレームワークを提案する。 提案するフレームワークであるReMAR-DSは、エンコーダ・デコーダアーキテクチャを利用して、機能リカバリを強化し、解剖学的構造を保ちながらアーティファクトを効果的に削減する。
  論文  参考訳（メタデータ） (2025-06-24T11:34:35Z)
• Efficient Medical Image Restoration via Reliability Guided Learning in Frequency Domain [29.81704480466466]
  医用画像復元タスクは、劣化した観察から高品質な画像を回復することを目的としており、多くの臨床シナリオにおいて創発的な欲求を示す。 既存のディープラーニングに基づく復元手法は、計算効率の良い再構成結果のレンダリングに苦慮している。 本稿では、周波数領域における信頼性誘導学習による軽量トランスフォーマーを用いたLRformerを提案する。
  論文  参考訳（メタデータ） (2025-04-15T15:26:28Z)
• 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)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [8.301957310590712]
  本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。 Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。 実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-11T06:31:56Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Spatiotemporal Diffusion Model with Paired Sampling for Accelerated Cardiac Cine MRI [20.86718191599198]
  加速MRIにおける近年の深層学習再建は,空間的および時間的ぼかしに悩まされている。 ペアサンプリング方式は, 生成結果において, 人工雑音を大幅に低減する。
  論文  参考訳（メタデータ） (2024-03-13T17:56:12Z)
• Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
  コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。 近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。 本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向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） (2023-11-01T10:09:01Z)
• 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)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Deep Learning-based Diffusion Tensor Cardiac Magnetic Resonance Reconstruction: A Comparison Study [0.9640839376239874]
  In Vivo心拡散テンソルイメージング(In Vivo心拡散テンソルイメージング、CDTI)は、生体内の心筋組織の微細構造を評価するためのMRI技術である。 本稿では,cDTI再構成のための3種類のディープラーニングベースMRI再構成モデルについて検討・実装する。
  論文  参考訳（メタデータ） (2023-03-31T16:30:31Z)
• 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)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)

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。