論文の概要: Implicit neural representations for accurate estimation of the standard model of white matter

• arxiv url: http://arxiv.org/abs/2506.15762v1
• Date: Wed, 18 Jun 2025 15:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.77509
• Title: Implicit neural representations for accurate estimation of the standard model of white matter
• Title（参考訳）: 白色物質の標準モデルの精度評価のための暗黙的神経表現
• Authors: Tom Hendriks, Gerrit Arends, Edwin Versteeg, Anna Vilanova, Maxime Chamberland, Chantal M. W. Tax,
• Abstract要約: 白色物質の標準モデル(SM)は、軸索内および外水区画からのdMRI信号の寄与を解消することを目的としている。 モデルが高次元であるため、パラメータの退化を緩和するためには、複数のb値と拡散形状を持つ広範囲な取得プロトコルが要求される。 本研究は,入力座標の正弦波符号化による正規化を含む暗黙的ニューラル表現(INR)に基づく新しい推定フレームワークを実現する。
• 参考スコア（独自算出の注目度）: 0.25128687379089687
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion magnetic resonance imaging (dMRI) enables non-invasive investigation of tissue microstructure. The Standard Model (SM) of white matter aims to disentangle dMRI signal contributions from intra- and extra-axonal water compartments. However, due to the model its high-dimensional nature, extensive acquisition protocols with multiple b-values and diffusion tensor shapes are typically required to mitigate parameter degeneracies. Even then, accurate estimation remains challenging due to noise. This work introduces a novel estimation framework based on implicit neural representations (INRs), which incorporate spatial regularization through the sinusoidal encoding of the input coordinates. The INR method is evaluated on both synthetic and in vivo datasets and compared to parameter estimates using cubic polynomials, supervised neural networks, and nonlinear least squares. Results demonstrate superior accuracy of the INR method in estimating SM parameters, particularly in low signal-to-noise conditions. Additionally, spatial upsampling of the INR can represent the underlying dataset anatomically plausibly in a continuous way, which is unattainable with linear or cubic interpolation. The INR is fully unsupervised, eliminating the need for labeled training data. It achieves fast inference ($\sim$6 minutes), is robust to both Gaussian and Rician noise, supports joint estimation of SM kernel parameters and the fiber orientation distribution function with spherical harmonics orders up to at least 8 and non-negativity constraints, and accommodates spatially varying acquisition protocols caused by magnetic gradient non-uniformities. The combination of these properties along with the possibility to easily adapt the framework to other dMRI models, positions INRs as a potentially important tool for analyzing and interpreting diffusion MRI data.
• Abstract（参考訳）: 拡散磁気共鳴イメージング(dMRI)は組織微細構造の非侵襲的な研究を可能にする。 白色物質の標準モデル(SM)は、軸索内および外水区画からのdMRI信号の寄与を解消することを目的としている。 しかし、モデルが高次元であるため、パラメータの退化を緩和するためには、複数のb値と拡散テンソル形状を持つ広範な取得プロトコルが要求される。 それでも、騒音のため正確な推定は難しいままである。 本研究では,入力座標の正弦波符号化による空間正則化を組み込んだ暗黙的ニューラル表現(INR)に基づく新しい推定フレームワークを提案する。 INR法は, 合成および生体内両方のデータセットを用いて評価し, 立方体多項式, 教師付きニューラルネットワーク, 非線形最小二乗を用いたパラメータ推定との比較を行った。 SMパラメータの推定におけるINR法の精度は,特に低信号対雑音条件において優れていた。 さらに、INRの空間的アップサンプリングは、線形または立方体補間では達成できない、基礎となるデータセットを解剖学的に少なくとも連続的に表現することができる。 INRは完全に教師なしで、ラベル付きトレーニングデータを必要としない。 高速な推論($6分)を達成し、ガウスノイズとリッチノイズの両方に対して堅牢であり、SMカーネルパラメータと球面高調波によるファイバー配向分布関数の合同推定をサポートし、少なくとも8つの非負性制約を課し、磁気勾配非一様性に起因する空間的に変化する取得プロトコルを許容する。 これらの特性と、フレームワークを他のdMRIモデルに容易に適応させる可能性を組み合わせることで、拡散MRIデータを解析し解釈するための潜在的に重要なツールとしてINRを位置づける。

関連論文リスト

• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [55.42071552739813]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 微分方程式(SDE)に基づく理論基礎の確立 信号対雑音比(SNR)と復調時間ステップとの閉形式解析関係を導出する。 受信した信号とDMのトレーニングデータとの分布ミスマッチに対処するため、数学的に原理化されたスケーリング機構を導入する。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• How can spherical CNNs benefit ML-based diffusion MRI parameter estimation? [2.4417196796959906]
  球状畳み込みニューラルネットワーク(S-CNN)は、従来の完全連結ネットワーク(FCN)に対して明確な優位性を提供する 拡散強調画像(DWI)のみからなるdMRIデータを取得する現況
  論文  参考訳（メタデータ） (2022-07-01T17:49:26Z)
• 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)
• Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
  本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。 提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
  論文  参考訳（メタデータ） (2022-03-01T16:33:15Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)

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。