論文の概要: KP-INR: A Dual-Branch Implicit Neural Representation Model for Cardiac Cine MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2508.12147v1
• Date: Sat, 16 Aug 2025 20:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.587446
• Title: KP-INR: A Dual-Branch Implicit Neural Representation Model for Cardiac Cine MRI Reconstruction
• Title（参考訳）: KP-INR : 心内膜MRIにおける二重分岐型神経表現モデル
• Authors: Donghang Lyu, Marius Staring, Mariya Doneva, Hildo J. Lamb, Nicola Pezzotti,
• Abstract要約: Inlicit Neural Representation (INR)法は、アンダーサンプルデータから座標-値マッピングを学習することにより、教師なし再構成において有望であることを示す。 心血管MRI再建のためのK空間で動作する2分岐INR法であるKP-INRを提案する。
• 参考スコア（独自算出の注目度）: 1.4214002697449326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac Magnetic Resonance (CMR) imaging is a non-invasive method for assessing cardiac structure, function, and blood flow. Cine MRI extends this by capturing heart motion, providing detailed insights into cardiac mechanics. To reduce scan time and breath-hold discomfort, fast acquisition techniques have been utilized at the cost of lowering image quality. Recently, Implicit Neural Representation (INR) methods have shown promise in unsupervised reconstruction by learning coordinate-to-value mappings from undersampled data, enabling high-quality image recovery. However, current existing INR methods primarily focus on using coordinate-based positional embeddings to learn the mapping, while overlooking the feature representations of the target point and its neighboring context. In this work, we propose KP-INR, a dual-branch INR method operating in k-space for cardiac cine MRI reconstruction: one branch processes the positional embedding of k-space coordinates, while the other learns from local multi-scale k-space feature representations at those coordinates. By enabling cross-branch interaction and approximating the target k-space values from both branches, KP-INR can achieve strong performance on challenging Cartesian k-space data. Experiments on the CMRxRecon2024 dataset confirms its improved performance over baseline models and highlights its potential in this field.
• Abstract（参考訳）: 心臓磁気共鳴イメージング(英: Cardiac Magnetic Resonance Imaging, CMR)は、心臓の構造、機能、血流を評価する非侵襲的な方法である。 Cine MRIは、心臓の動きを捉え、心臓力学の詳細な知見を提供することでこれを拡張している。 スキャン時間と呼吸ホールドの不快感を軽減するため、画像品質を低下させるコストで高速な取得技術が利用されてきた。 Inlicit Neural Representation (INR)法は、アンダーサンプルデータから座標-値マッピングを学習し、高品質な画像復元を可能にすることで、教師なしの再構成において有望であることを示す。 しかし、現在のINR法は、主に座標に基づく位置埋め込みを用いてマッピングを学習し、対象点の特徴表現とその近傍コンテキストを見渡すことに重点を置いている。 そこで本研究では,KP-INR法を提案する。この手法は心血管MRI再構成のためのk-spaceで動作する二重ブランチINR法であり,k-space座標の位置埋め込みを処理し,K-space座標の局所的なマルチスケールk-space特徴表現から学習する。 KP-INRは、クロスブランチの相互作用を可能にし、両方のブランチからターゲットk空間の値を近似することにより、カルテシアンk空間データに対して高い性能を達成することができる。 CMRxRecon2024データセットの実験では、ベースラインモデルよりもパフォーマンスが向上していることが確認され、この分野におけるその可能性を強調している。

関連論文リスト

• 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)
• Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
  高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。 既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。 画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T04:54:04Z)
• Attention Incorporated Network for Sharing Low-rank, Image and K-space Information during MR Image Reconstruction to Achieve Single Breath-hold Cardiac Cine Imaging [9.531827741901662]
  我々は,MRI再構成のための新しい深層学習ネットワークに,低ランク,画像,k空間を含む複数の領域からの情報を埋め込むことを提案する。 A-LIKNetは並列ブランチ構造を採用し、k空間と画像領域で独立した学習を可能にする。
  論文  参考訳（メタデータ） (2024-07-03T11:54:43Z)
• Accelerating Cardiac MRI Reconstruction with CMRatt: An Attention-Driven Approach [8.904269561863103]
  本研究の目的は,心画像再構成の文脈において,深層学習モデルに組み込まれた注意機構の未発達の可能性を探ることである。 我々の第一の目的は、U-Netのような畳み込みバックボーンモデルと統合した場合のアテンションアルゴリズムの強みと潜在的な制限を特定することである。 本稿では,心臓画像再構成の課題に特化して最適化された,シンプルで効果的な注目パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-10T11:47:51Z)
• Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
  心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。 提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
  論文  参考訳（メタデータ） (2023-10-10T13:46:11Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)

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。