論文の概要: MRpro - open PyTorch-based MR reconstruction and processing package

• arxiv url: http://arxiv.org/abs/2507.23129v1
• Date: Wed, 30 Jul 2025 22:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:08.820489
• Title: MRpro - open PyTorch-based MR reconstruction and processing package
• Title（参考訳）: MRpro-オープンPyTorchベースのMR再構成・処理パッケージ
• Authors: Felix Frederik Zimmermann, Patrick Schuenke, Christoph S. Aigner, Bill A. Bernhardt, Mara Guastini, Johannes Hammacher, Noah Jaitner, Andreas Kofler, Leonid Lunin, Stefan Martin, Catarina Redshaw Kranich, Jakob Schattenfroh, David Schote, Yanglei Wu, Christoph Kolbitsch,
• Abstract要約: MRproは、PyTorchとオープンデータフォーマット上に構築されたオープンソースのイメージ再構成パッケージである。 ディープラーニングには、データ一貫性レイヤ、差別化可能な最適化レイヤ、最先端のバックボーンネットワークなど、重要なビルディングブロックが含まれている。 MRproの汎用性は,Cartesian, radial, spiral acquisitions, Motion-corrected reconstruction, Heartc MR fingerprinting, Learned Adaptive regularization weights, Model-based learned image reconstruction and quantitative parameter Estimationなど多岐にわたる。
• 参考スコア（独自算出の注目度）: 0.5764783271222154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce MRpro, an open-source image reconstruction package built upon PyTorch and open data formats. The framework comprises three main areas. First, it provides unified data structures for the consistent manipulation of MR datasets and their associated metadata (e.g., k-space trajectories). Second, it offers a library of composable operators, proximable functionals, and optimization algorithms, including a unified Fourier operator for all common trajectories and an extended phase graph simulation for quantitative MR. These components are used to create ready-to-use implementations of key reconstruction algorithms. Third, for deep learning, MRpro includes essential building blocks such as data consistency layers, differentiable optimization layers, and state-of-the-art backbone networks and integrates public datasets to facilitate reproducibility. MRpro is developed as a collaborative project supported by automated quality control. We demonstrate the versatility of MRpro across multiple applications, including Cartesian, radial, and spiral acquisitions; motion-corrected reconstruction; cardiac MR fingerprinting; learned spatially adaptive regularization weights; model-based learned image reconstruction and quantitative parameter estimation. MRpro offers an extensible framework for MR image reconstruction. With reproducibility and maintainability at its core, it facilitates collaborative development and provides a foundation for future MR imaging research.
• Abstract（参考訳）: 我々は,PyTorchとオープンデータフォーマット上に構築された,オープンソースの画像再構成パッケージであるMRproを紹介する。 フレームワークは3つの主要領域から構成される。 まず、MRデータセットとその関連メタデータ(例えば、k空間トラジェクトリ)の一貫性のある操作のための統一データ構造を提供する。 第2に、コンポーザブル演算子、確率汎関数、最適化アルゴリズムのライブラリを提供し、すべての共通軌道に対する統一フーリエ演算子と定量的MRのための拡張位相グラフシミュレーションを提供する。これらのコンポーネントは、キー再構成アルゴリズムの即時実装を作成するために使用される。 第3に、ディープラーニングでは、データ一貫性レイヤ、差別化可能な最適化レイヤ、最先端のバックボーンネットワークなどの重要なビルディングブロックが含まれ、再現性を促進するために公開データセットを統合する。 MRproは自動品質管理をサポートする共同プロジェクトとして開発されている。 MRproの汎用性は,Cartesian, radial, spiral acquisitions, Motion-corrected reconstruction, Heartc MR fingerprinting, Learned Adaptive regularization weights, Model-based learned image reconstruction and quantitative parameter Estimationなど多岐にわたる。 MRproはMR画像再構成のための拡張可能なフレームワークを提供する。 再現性と保守性の中心として、共同開発を促進し、将来のMRイメージング研究の基盤を提供する。

関連論文リスト

• Composed Multi-modal Retrieval: A Survey of Approaches and Applications [81.54640206021757]
  複合マルチモーダル検索(CMR)は次世代技術として誕生する。 CMRは、参照視覚入力とテキスト修正を統合することで、画像やビデオをクエリすることを可能にする。 本稿では,CMRの基礎的課題,技術的進歩,応用について概説する。
  論文  参考訳（メタデータ） (2025-03-03T09:18:43Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Specificity-Preserving Federated Learning for MR Image Reconstruction [94.58912814426122]
  統合学習は、磁気共鳴(MR)画像再構成におけるデータのプライバシーと効率を改善するために使用できる。 近年のFL技術は、グローバルモデルの一般化を強化することで、この問題を解決する傾向にある。 MR画像再構成のための特異性保存FLアルゴリズム(FedMRI)を提案する。
  論文  参考訳（メタデータ） (2021-12-09T22:13:35Z)
• 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)
• One Network to Solve Them All: A Sequential Multi-Task Joint Learning Network Framework for MR Imaging Pipeline [12.684219884940056]
  組み合わせたエンドツーエンドのパイプラインを訓練するために、連続的なマルチタスク共同学習ネットワークモデルが提案される。 提案手法は,再構成とセグメント化の両面から,他のSOTA手法よりも優れた性能を示すMBBデータセット上で検証されている。
  論文  参考訳（メタデータ） (2021-05-14T05:55:27Z)
• 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)
• Neural Architecture Search for Compressed Sensing Magnetic Resonance Image Reconstruction [36.636219616998225]
  そこで我々は,手作業ではなくNASによるMR画像再構成問題に対して,新しい,効率的なネットワークを提案する。 実験の結果,検索したネットワークは,従来の最先端手法と比較して,より良好な再構成結果が得られることがわかった。 提案手法は, MR再構成問題に対するコストと再構成性能のトレードオフを, 高い一般化性で向上させることができる。
  論文  参考訳（メタデータ） (2020-02-22T04:40:16Z)

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。