論文の概要: HierAdaptMR: Cross-Center Cardiac MRI Reconstruction with Hierarchical Feature Adapters

• arxiv url: http://arxiv.org/abs/2508.13026v1
• Date: Mon, 18 Aug 2025 15:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.462564
• Title: HierAdaptMR: Cross-Center Cardiac MRI Reconstruction with Hierarchical Feature Adapters
• Title（参考訳）: HierAdaptMR:階層型特徴適応器を用いた心室間MRI
• Authors: Ruru Xu, Ilkay Oksuz,
• Abstract要約: 深層学習に基づく心臓MRIの再建は、複数の臨床センターに展開する際、重要な領域シフトに直面している。 マルチレベルドメインの変動に対処する階層的特徴適応フレームワークであるHierAdaptMRを提案する。 本手法では,シーケンス特性にProtocol-Level Adapter,スキャナ依存性にCenter-Level Adapterを用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based cardiac MRI reconstruction faces significant domain shift challenges when deployed across multiple clinical centers with heterogeneous scanner configurations and imaging protocols. We propose HierAdaptMR, a hierarchical feature adaptation framework that addresses multi-level domain variations through parameter-efficient adapters. Our method employs Protocol-Level Adapters for sequence-specific characteristics and Center-Level Adapters for scanner-dependent variations, built upon a variational unrolling backbone. A Universal Adapter enables generalization to entirely unseen centers through stochastic training that learns center-invariant adaptations. The framework utilizes multi-scale SSIM loss with frequency domain enhancement and contrast-adaptive weighting for robust optimization. Comprehensive evaluation on the CMRxRecon2025 dataset spanning 5+ centers, 10+ scanners, and 9 modalities demonstrates superior cross-center generalization while maintaining reconstruction quality. code: https://github.com/Ruru-Xu/HierAdaptMR
• Abstract（参考訳）: 深層学習に基づく心臓MRI再建は、異種スキャナーとイメージングプロトコルを備えた複数の臨床センターに展開する際、重要な領域シフトに直面している。 パラメータ効率のよいアダプタによる多レベルドメイン変動に対処する階層的特徴適応フレームワークであるHierAdaptMRを提案する。 本手法では,シークエンス固有の特性にProtocol-Level Adapter,スキャナ依存のばらつきにCenter-Level Adapterを採用し,ばらつきのないバックボーン上に構築する。 Universal Adapterは、中心不変な適応を学習する確率的トレーニングを通じて、完全に見えない中心を一般化することを可能にする。 このフレームワークは、周波数領域拡張とコントラスト適応重み付けによるマルチスケールSSIM損失を利用して、ロバストな最適化を行う。 CMRxRecon2025データセットを5つ以上のセンター、10つ以上のスキャナー、9つのモダリティで総合評価した結果、再構築品質を維持しつつ、より優れたセンター間一般化が示された。 コード:https://github.com/Ruru-Xu/HierAdaptMR

関連論文リスト

• Large Kernel MedNeXt for Breast Tumor Segmentation and Self-Normalizing Network for pCR Classification in Magnetic Resonance Images [0.0]
  我々は,3x3x3から5x5x5までの受容場を拡大する2段階のトレーニング戦略を備えた大規模カーネルMedNeXtアーキテクチャを採用している。 pCR分類では,予測セグメンテーションから抽出した放射能特性に基づいて自己正規化ネットワーク(SNN)を訓練した。 以上の結果から,より大きな受容野と放射能による分類の利点が示唆された。
  論文  参考訳（メタデータ） (2025-08-03T16:37:14Z)
• UPCMR: A Universal Prompt-guided Model for Random Sampling Cardiac MRI Reconstruction [1.2773749417703923]
  心磁気共鳴画像再構成のためのユニバーサルアンロールモデルであるUPCMRを紹介する。 学習可能なプロンプトは2種類あり、アンサンプ固有のプロンプトと空間固有のプロンプトが組み込まれ、各ブロックにUNet構造が組み込まれている。 効率的なトレーニング戦略により、すべてのランダムサンプリングシナリオにおける再構成画像の品質を高く向上させる。
  論文  参考訳（メタデータ） (2025-02-18T07:44:35Z)
• MulModSeg: Enhancing Unpaired Multi-Modal Medical Image Segmentation with Modality-Conditioned Text Embedding and Alternating Training [10.558275557142137]
  マルチモーダル(MulModSeg)戦略を提案する。 MulModSegは、凍結されたテキストエンコーダを介して、モダリティ条件付きテキスト埋め込みフレームワークを組み込んでいる。 腹部多臓器および心室サブ構造をCTとMRの両方で分画する従来の方法より一貫して優れていた。
  論文  参考訳（メタデータ） (2024-11-23T14:37:01Z)
• Deep Multi-contrast Cardiac MRI Reconstruction via vSHARP with Auxiliary Refinement Network [7.043932618116216]
  本稿では,2次元動的マルチコントラスト,マルチスキーム,マルチアクセラレーションMRIの深層学習に基づく再構成手法を提案する。 提案手法は,半2乗変数分割とADMM最適化を利用した最先端のvSHARPモデルを統合する。
  論文  参考訳（メタデータ） (2024-11-02T15:59:35Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI [6.875699572081067]
  本稿では,MRIフレームワークにおける適応動的サンプリングと再構成(E2E-ADS-Recon)について紹介する。 提案フレームワークは、動的MRIアプリケーションにおけるケース固有サブサンプリング最適化の重要性を強調し、再構成品質を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T14:31:35Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• DA-VSR: Domain Adaptable Volumetric Super-Resolution For Medical Images [69.63915773870758]
  本稿では,ドメイン不整合ギャップを補うために,DA-VSR(Domain Adaptable Super- resolution)と呼ばれる新しいアルゴリズムを提案する。 DA-VSRは、統合された特徴抽出バックボーンと一連のネットワークヘッドを使用して、異なる平面上での画像品質を改善する。 DA-VSRは、異なる領域の多くのデータセットにおいて、超解像品質を著しく向上することを示した。
  論文  参考訳（メタデータ） (2022-10-11T03:16:35Z)
• Effective Mutation Rate Adaptation through Group Elite Selection [50.88204196504888]
  本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。 GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。 同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
  論文  参考訳（メタデータ） (2022-04-11T01:08:26Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)

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。