論文の概要: Fast Trajectory-Independent Model-Based Reconstruction Algorithm for Multi-Dimensional Magnetic Particle Imaging

• arxiv url: http://arxiv.org/abs/2505.22797v1
• Date: Wed, 28 May 2025 19:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.497288
• Title: Fast Trajectory-Independent Model-Based Reconstruction Algorithm for Multi-Dimensional Magnetic Particle Imaging
• Title（参考訳）: 多次元磁気粒子イメージングのための高速軌道独立モデルベース再構成アルゴリズム
• Authors: Vladyslav Gapyak, Thomas März, Andreas Weinmann,
• Abstract要約: 2D Particleoidal Imaging (MPI) は超常磁性ナノ粒子の分布を可視化するための有望な技術である。 MPI再構成は、フォワード演算子の時間消費分布系行列またはモデルに基づくシミュレーションに依存する。 本稿では,モデルベースMPI再構成を用いた実軌道非依存型MPIデータの最初の再構成について述べる。
• 参考スコア（独自算出の注目度）: 1.7614751781649953
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Magnetic Particle Imaging (MPI) is a promising tomographic technique for visualizing the spatio-temporal distribution of superparamagnetic nanoparticles, with applications ranging from cancer detection to real-time cardiovascular monitoring. Traditional MPI reconstruction relies on either time-consuming calibration (measured system matrix) or model-based simulation of the forward operator. Recent developments have shown the applicability of Chebyshev polynomials to multi-dimensional Lissajous Field-Free Point (FFP) scans. This method is bound to the particular choice of sinusoidal scanning trajectories. In this paper, we present the first reconstruction on real 2D MPI data with a trajectory-independent model-based MPI reconstruction algorithm. We further develop the zero-shot Plug-and-Play (PnP) algorithm of the authors -- with automatic noise level estimation -- to address the present deconvolution problem, leveraging a state-of-the-art denoiser trained on natural images without retraining on MPI-specific data. We evaluate our method on the publicly available 2D FFP MPI dataset ``MPIdata: Equilibrium Model with Anisotropy", featuring scans of six phantoms acquired using a Bruker preclinical scanner. Moreover, we show reconstruction performed on custom data on a 2D scanner with additional high-frequency excitation field and partial data. Our results demonstrate strong reconstruction capabilities across different scanning scenarios -- setting a precedent for general-purpose, flexible model-based MPI reconstruction.
• Abstract（参考訳）: 超常磁性ナノ粒子の時空間分布を可視化するための磁気粒子イメージング(MPI)は有望なトモグラフィー技術であり、がん検出からリアルタイム心血管モニタリングまで幅広い応用がある。 従来のMPI再構成は、フォワード演算子の時間消費キャリブレーション(測定されたシステム行列)またはモデルベースのシミュレーションに依存する。 近年,チェビシェフ多項式の多次元リサホウス場自由点スキャンへの応用が示されている。 この方法は、正弦波走査軌道の特定の選択に拘束される。 本稿では,軌道に依存しないモデルベースMPI再構成アルゴリズムを用いて,実2次元MPIデータに対する最初の再構成を提案する。 筆者らによるゼロショット・プラグ・アンド・プレイ(PnP)アルゴリズム(自動ノイズレベル推定)をさらに発展させ、MPI固有のデータを再学習することなく、自然画像で訓練された最先端のデノイザを活用することで、現在のデコンボリューション問題に対処する。 我々は,Brukerプリクリニカルスキャナーを用いて得られた6つのファントムのスキャンを特徴とする2D FFP MPIデータセット ``MPIdata: Equilibrium Model with Anisotropy" について検討した。 さらに, 高周波励起場と部分データを付加した2次元スキャナ上で, カスタムデータを用いた再構成を行った。 この結果は、様々なスキャンシナリオにわたる強力な再構築能力を示し、汎用的で柔軟なモデルベースMPI再構築の先例となる。

関連論文リスト

• Learned Discrepancy Reconstruction and Benchmark Dataset for Magnetic Particle Imaging [3.7898596546142818]
  磁気粒子イメージング (MPI) は、超常磁性酸化鉄ナノ粒子の磁気応答に基づく新しい画像モダリティである。 MPI画像再構成作業における重要な課題は、その基礎となるノイズモデルから生じる。 本稿では,逆問題に対する新しい学習ベース再構成手法であるLearninged Discrepancy Approachを紹介する。
  論文  参考訳（メタデータ） (2025-01-09T21:21:06Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction [10.330083869344445]
  グラフ画像優先(GIP)と呼ばれる動的MRI表現のための新しい手法を提案する。 GIPは2段階生成ネットワークを新しいモデリング手法に採用し、まず独立したCNNを用いて各フレームのイメージ構造を復元する。 グラフ畳み込みネットワークは特徴融合と画像生成に利用される。
  論文  参考訳（メタデータ） (2024-03-23T08:57:46Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset [2.2366638308792735]
  MPIは、医療応用の可能性を継続的に増加させている。 これらの応用における性能向上の前提条件は、画像再構成問題に対する適切な解法である。 本稿では,ディープニューラルネットワークによる解の表現を基盤とした,より深い画像に基づく新しい再構成手法について検討する。
  論文  参考訳（メタデータ） (2020-07-03T10:13:10Z)

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。