論文の概要: PrIINeR: Towards Prior-Informed Implicit Neural Representations for Accelerated MRI

• arxiv url: http://arxiv.org/abs/2508.08058v1
• Date: Mon, 11 Aug 2025 14:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.159799
• Title: PrIINeR: Towards Prior-Informed Implicit Neural Representations for Accelerated MRI
• Title（参考訳）: PrIINeR:Accelerated MRIのための事前インフォームインプット型ニューラル表現に向けて
• Authors: Ziad Al-Haj Hemidi, Eytan Kats, Mattias P. Heinrich,
• Abstract要約: Inlicit Neural Representations (INRs) はMRIの再構成を約束するが、事前の制約が弱いため、高いアクセラレーション要因に悩まされる。 我々は、事前学習したディープラーニングモデルからの事前知識をINRフレームワークに統合する、INRに基づくMRI再構成手法PrIINeRを提案する。
• 参考スコア（独自算出の注目度）: 2.2265038612930663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerating Magnetic Resonance Imaging (MRI) reduces scan time but often degrades image quality. While Implicit Neural Representations (INRs) show promise for MRI reconstruction, they struggle at high acceleration factors due to weak prior constraints, leading to structural loss and aliasing artefacts. To address this, we propose PrIINeR, an INR-based MRI reconstruction method that integrates prior knowledge from pre-trained deep learning models into the INR framework. By combining population-level knowledge with instance-based optimization and enforcing dual data consistency, PrIINeR aligns both with the acquired k-space data and the prior-informed reconstruction. Evaluated on the NYU fastMRI dataset, our method not only outperforms state-of-the-art INR-based approaches but also improves upon several learning-based state-of-the-art methods, significantly improving structural preservation and fidelity while effectively removing aliasing artefacts.PrIINeR bridges deep learning and INR-based techniques, offering a more reliable solution for high-quality, accelerated MRI reconstruction. The code is publicly available on https://github.com/multimodallearning/PrIINeR.
• Abstract（参考訳）: MRI(Accelerating Magnetic Resonance Imaging)は、スキャン時間を短縮するが、画質を劣化させることが多い。 Implicit Neural Representations (INRs) はMRIの再構成を約束するが、前向きの制約が弱いために高い加速度要因に苦しむため、構造的損失やアーティファクトの回避に繋がる。 そこで本研究では,事前学習したディープラーニングモデルからの事前知識をINRフレームワークに統合した,INRに基づくMRI再構成手法PrIINeRを提案する。 人口レベルの知識とインスタンスベースの最適化と二重データ一貫性の強化を組み合わせることで、PrIINeRは取得したk空間データと事前インフォームド再構成の両方と整合する。 筆者らはNYUの高速MRIデータセットに基づいて,最先端のINRベースアプローチよりも優れるだけでなく,いくつかの学習ベース手法を改良し,構造保存と忠実性を著しく向上し,人工骨を効果的に除去する。PrIINeRは深層学習とINRベースのテクニックを橋渡しし,高品質で高速化されたMRI再構成のための信頼性の高いソリューションを提供する。 コードはhttps://github.com/multimodallearning/PrIINeR.comで公開されている。

関連論文リスト

• Low-Rank Augmented Implicit Neural Representation for Unsupervised High-Dimensional Quantitative MRI Reconstruction [9.757306418140987]
  高速3次元MP-qMRI再構成のための,教師なし,二元的統合フレームワークであるLoREINを提案する。 LoREINは、それぞれ低ランク表現(LRR)と暗黙の神経表現(INR)を介して、低ランク前と連続性の両方を取り入れ、再構成の忠実性を高める。 本研究は、複雑な時間的・高次元画像再構成タスクにおいて、幅広い可能性を持つゼロショット学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-06-10T15:02:09Z)
• 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)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Regularization by Neural Style Transfer for MRI Field-Transfer Reconstruction with Limited Data [2.308563547164654]
  ニューラルスタイルトランスファーによる正規化は、磁場-転送再構成を可能にするために、ニューラルスタイルのトランスファーエンジンをデノイザと統合する新しいフレームワークである。 実験の結果,RNSTは様々な解剖学的面にまたがって高品質な画像を再構成できることを示した。
  論文  参考訳（メタデータ） (2023-08-21T18:26:35Z)
• Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction [11.661657147506519]
  Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。 本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。 提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
  論文  参考訳（メタデータ） (2022-12-31T05:43:21Z)
• 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)
• ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance Image Reconstructions [0.688204255655161]
  加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。 アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。 本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
  論文  参考訳（メタデータ） (2022-06-15T03:42:18Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• 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)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Fine-grained MRI Reconstruction using Attentive Selection Generative Adversarial Networks [0.0]
  高品質mri再構成を実現するための新しい注意に基づく深層学習フレームワークを提案する。 我々は,gan(generative adversarial network)フレームワークに大規模文脈的特徴統合と注意選択を組み込んだ。
  論文  参考訳（メタデータ） (2021-03-13T09:58:32Z)

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。