論文の概要: Physics-Informed Neural ODEs for Temporal Dynamics Modeling in Cardiac T1 Mapping

• arxiv url: http://arxiv.org/abs/2507.00613v1
• Date: Tue, 01 Jul 2025 09:47:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.564532
• Title: Physics-Informed Neural ODEs for Temporal Dynamics Modeling in Cardiac T1 Mapping
• Title（参考訳）: 心電図T1マッピングにおける時相ダイナミクスモデリングのための物理インフォームドニューラルネットワーク
• Authors: Nuno Capitão, Yi Zhang, Yidong Zhao, Qian Tao,
• Abstract要約: 任意の時間ラグでLook-Lockerデータを取得するための連続時間LSTM-ODEモデルを開発した。 実験の結果,ネイティブシーケンスとポストコントラストシーケンスの両方において,$T_$推定において優れた性能を示した。
• 参考スコア（独自算出の注目度）: 6.962636711572467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spin-lattice relaxation time ($T_1$) is an important biomarker in cardiac parametric mapping for characterizing myocardial tissue and diagnosing cardiomyopathies. Conventional Modified Look-Locker Inversion Recovery (MOLLI) acquires 11 breath-hold baseline images with interleaved rest periods to ensure mapping accuracy. However, prolonged scanning can be challenging for patients with poor breathholds, often leading to motion artifacts that degrade image quality. In addition, $T_1$ mapping requires voxel-wise nonlinear fitting to a signal recovery model involving an iterative estimation process. Recent studies have proposed deep-learning approaches for rapid $T_1$ mapping using shortened sequences to reduce acquisition time for patient comfort. Nevertheless, existing methods overlook important physics constraints, limiting interpretability and generalization. In this work, we present an accelerated, end-to-end $T_1$ mapping framework leveraging Physics-Informed Neural Ordinary Differential Equations (ODEs) to model temporal dynamics and address these challenges. Our method achieves high-accuracy $T_1$ estimation from a sparse subset of baseline images and ensures efficient null index estimation at test time. Specifically, we develop a continuous-time LSTM-ODE model to enable selective Look-Locker (LL) data acquisition with arbitrary time lags. Experimental results show superior performance in $T_1$ estimation for both native and post-contrast sequences and demonstrate the strong benefit of our physics-based formulation over direct data-driven $T_1$ priors.
• Abstract（参考訳）: スピン格子緩和時間(T_1$)は、心筋組織を特徴づけ、心筋病理を診断するための心臓パラメトリックマッピングにおいて重要なバイオマーカーである。 従来の改良型ルック・ロッカー・インバージョン・リカバリ(MOLLI)は,11個の呼吸ホールドベースラインイメージをインターリーブした静止時間で取得し,マッピング精度を確保する。 しかし、長時間のスキャンは、息切れの悪い患者にとって困難であり、多くの場合、画像の品質を低下させる運動人工物に繋がる。 さらに、$T_1$マッピングでは、反復推定プロセスを含む信号回復モデルにボクセル的に非線形に適合する必要がある。 近年の研究では、患者が快適な場合の取得時間を短縮するために、短縮シーケンスを用いた高速なT_1$マッピングのためのディープラーニングアプローチが提案されている。 それでも、既存の手法は、解釈可能性と一般化を制限する重要な物理学的制約を見落としている。 本研究では,物理インフォームドニューラル正規微分方程式(ODE)を利用して時間的ダイナミクスをモデル化し,これらの課題に対処する,高速でエンドツーエンドなT_1$マッピングフレームワークを提案する。 提案手法は,ベースライン画像のスパース部分集合から高精度な$T_1$推定を実現し,テスト時に効率的なnullインデックス推定を実現する。 具体的には、任意の時間ラグでLook-Locker(LL)データを取得するための連続時間LSTM-ODEモデルを開発する。 実験の結果,ネイティブおよびポストコントラストの両方に対して$T_1$推定において優れた性能を示し,直接データ駆動型$T_1$プリエントに対する物理式化の強みを示した。

関連論文リスト

• T1-PILOT: Optimized Trajectories for T1 Mapping Acceleration [4.662327345551211]
  本稿では,T1信号緩和モデルをサンプリング・再構成フレームワークに明示的に組み込むエンドツーエンド手法であるT1-PILOTを紹介する。 CMRxReconデータセットに関する広範な実験を通じて、T1-PILOTはいくつかのベースライン戦略を大幅に上回っている。 この結果から, 物理緩和モデルによるタンデムのサンプリング軌道の最適化により, 定量的精度が向上し, 取得時間が短縮されることがわかった。
  論文  参考訳（メタデータ） (2025-02-27T18:02:27Z)
• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• MBSS-T1: Model-Based Subject-Specific Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [13.966263676155373]
  心臓T1マッピングにおける運動補正のための主観的自己教師モデルMBSS-T1を提案する。 MBSS-T1は210人の患者の公開データセット上で5倍の試験を行い、ベースライン深層学習登録法より優れていた。 MBSS-T1は、より広範囲の患者に対するモーションローバストT1マッピングを可能にし、準最適コンプライアンスなどの課題を克服する。
  論文  参考訳（メタデータ） (2024-08-21T21:03:36Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Fast Nonconvex $T_2^*$ Mapping Using ADMM [14.22930572798757]
  磁気共鳴(MR)$T*$マッピングは、様々な臨床応用において出血、石灰化、鉄沈着の研究に広く用いられているが、組織における所望のコントラストの直接的かつ正確なマッピングを提供する。 従来の3D解像度の$*$マッピング法で必要とされる長い取得時間は、患者に不快を生じさせ、再構成された画像に運動アーティファクトを導入し、より広い適用性を制限する。 本稿では,圧縮センシングを用いたアンダーサンプルデータから$T*$マッピングを行うことでこの問題に対処する。
  論文  参考訳（メタデータ） (2020-08-04T20:08:43Z)

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。