論文の概要: A Physics-Driven Neural Network with Parameter Embedding for Generating Quantitative MR Maps from Weighted Images

• arxiv url: http://arxiv.org/abs/2508.08123v1
• Date: Mon, 11 Aug 2025 16:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.190437
• Title: A Physics-Driven Neural Network with Parameter Embedding for Generating Quantitative MR Maps from Weighted Images
• Title（参考訳）: 重み付き画像から定量的MRマップを生成するためのパラメータ埋め込みを用いた物理駆動型ニューラルネットワーク
• Authors: Lingjing Chen, Chengxiu Zhang, Yinqiao Yi, Yida Wang, Yang Song, Xu Yan, Shengfang Xu, Dalin Zhu, Mengqiu Cao, Yan Zhou, Chenglong Wang, Guang Yang,
• Abstract要約: 臨床重み付きMRIによる定量的画像合成の精度と一般化性を改善するために,MRIシーケンスパラメータを統合する深層学習に基づくアプローチを提案する。 物理駆動型ニューラルネットワークは、パラメータ埋め込みを介してMRIシーケンスパラメータを直接モデルに埋め込む。
• 参考スコア（独自算出の注目度）: 25.060349614170953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a deep learning-based approach that integrates MRI sequence parameters to improve the accuracy and generalizability of quantitative image synthesis from clinical weighted MRI. Our physics-driven neural network embeds MRI sequence parameters -- repetition time (TR), echo time (TE), and inversion time (TI) -- directly into the model via parameter embedding, enabling the network to learn the underlying physical principles of MRI signal formation. The model takes conventional T1-weighted, T2-weighted, and T2-FLAIR images as input and synthesizes T1, T2, and proton density (PD) quantitative maps. Trained on healthy brain MR images, it was evaluated on both internal and external test datasets. The proposed method achieved high performance with PSNR values exceeding 34 dB and SSIM values above 0.92 for all synthesized parameter maps. It outperformed conventional deep learning models in accuracy and robustness, including data with previously unseen brain structures and lesions. Notably, our model accurately synthesized quantitative maps for these unseen pathological regions, highlighting its superior generalization capability. Incorporating MRI sequence parameters via parameter embedding allows the neural network to better learn the physical characteristics of MR signals, significantly enhancing the performance and reliability of quantitative MRI synthesis. This method shows great potential for accelerating qMRI and improving its clinical utility.
• Abstract（参考訳）: 臨床重み付きMRIによる定量的画像合成の精度と一般化性を改善するために,MRIシーケンスパラメータを統合する深層学習に基づくアプローチを提案する。 我々の物理駆動型ニューラルネットワークは、MRIシーケンスパラメーター -- 反復時間(TR)、エコー時間(TE)、反転時間(TI) -- をパラメータ埋め込みを介してモデルに直接埋め込むため、ネットワークはMRI信号生成の基礎となる物理原理を学習することができる。 このモデルは従来のT1重み付き、T2重み付き、T2-FLAIR画像を入力として、T1、T2、および陽子密度(PD)定量写像を合成する。 健康な脳MRI画像に基づいて、内部および外部の両方のテストデータセットで評価した。 提案手法は,PSNR値が34dB以上,SSIM値が0.92以上であり,全合成パラメータマップに対して高い性能を示した。 従来のディープラーニングモデルよりも正確さと堅牢さが優れており、これまで見つからなかった脳構造や病変のデータを含んでいる。 特に,本モデルでは,これらの未知の病理領域の定量的マップを精度良く合成し,その優れた一般化能力を強調した。 パラメータ埋め込みによってMRIシーケンスパラメータを組み込むことで、ニューラルネットワークはMR信号の物理的特性をよりよく学習し、定量的MRI合成の性能と信頼性を大幅に向上させることができる。 本手法は,qMRIの加速と臨床的有用性向上に大きな可能性を示す。

関連論文リスト

• MRI Image Generation Based on Text Prompts [0.0]
  本研究では,実際のMRIデータセットを取得する際の課題を解決するために,安定拡散(SD)モデルを用いたテキストプロンプトMRI画像生成について検討する。 SDモデルは3Tの高速MRIデータセットと0.3TのM4Rawデータセットを用いて微調整された。 Fr'echet Inception Distance (FID) やMulti-Scale Structure similarity (MS-SSIM) などの測定値を用いて微調整モデルの性能を評価した。
  論文  参考訳（メタデータ） (2025-05-23T03:01:22Z)
• Revolutionizing Brain Tumor Imaging: Generating Synthetic 3D FA Maps from T1-Weighted MRI using CycleGAN Models [18.167577989282247]
  本稿では,T1強調MRIスキャンから直接FAマップを生成するためのCycleGANに基づくアプローチを提案する。 提案モデルでは,未確認データに基づいて高忠実度マップを作製し,特に腫瘍領域での強靭な性能を示す。
  論文  参考訳（メタデータ） (2025-05-06T16:05:22Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Coordinate-Based Neural Representation Enabling Zero-Shot Learning for 3D Multiparametric Quantitative MRI [4.707353256136099]
  我々は,同時マルチパラメトリックqMRIのためのデータ取得と教師なし再構成を含む,革新的なイメージング手法であるSUMMITを提案する。 qMRI再構成のための教師なしアプローチは、様々な医用画像モダリティに適用可能な、新しいゼロショット学習パラダイムも導入する。
  論文  参考訳（メタデータ） (2024-10-02T14:13:06Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Metadata-Conditioned Generative Models to Synthesize Anatomically-Plausible 3D Brain MRIs [12.492451825171408]
  本稿では, メタデータ条件付きMRI(例えば, 年齢, 性別別MRI)を合成するための新しい生成モデルであるBrain Synthを提案する。 以上の結果から, 合成MRIの脳領域の半数以上が解剖学的に正確であり, 実際のMRIと合成MRIの差は小さいことが示唆された。 われわれの合成MRIは畳み込みニューラルネットワークのトレーニングを大幅に改善し、加速度的老化効果を同定する。
  論文  参考訳（メタデータ） (2023-10-07T00:05:47Z)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• Joint MR sequence optimization beats pure neural network approaches for spin-echo MRI super-resolution [44.52688267348063]
  最近のMRIスーパーレゾリューション(SR)法は、ニューラルネットワーク(NN)の入力として典型的な臨床領域から取得したコントラストのみを使用する SR-TSEのためのMRシークエンスとニューラルネットワークパラメータのエンドツーエンド最適化を実現するための既知の演算子学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-12T14:40:25Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。