論文の概要: CUTE-MRI: Conformalized Uncertainty-based framework for Time-adaptivE MRI

• arxiv url: http://arxiv.org/abs/2508.14952v1
• Date: Wed, 20 Aug 2025 14:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.044004
• Title: CUTE-MRI: Conformalized Uncertainty-based framework for Time-adaptivE MRI
• Title（参考訳）: CUTE-MRI: 時間適応型MRIのためのコンフォーマル化不確実性に基づくフレームワーク
• Authors: Paul Fischer, Jan Nikolas Morshuis, Thomas Küstner, Christian Baumgartner,
• Abstract要約: この研究は、オブジェクトごとのスキャン時間を調整する、動的で不確実性を認識した買収フレームワークを導入している。 我々は整合予測を用いて、この不確かさを計量の厳密で校正された信頼区間に変換する。 この適応的手法は,最終的な画像の精度に関する公式な統計的保証を提供しながら,固定されたプロトコルと比較してスキャン時間を短縮することを示す。
• 参考スコア（独自算出の注目度）: 1.0209145746316146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) offers unparalleled soft-tissue contrast but is fundamentally limited by long acquisition times. While deep learning-based accelerated MRI can dramatically shorten scan times, the reconstruction from undersampled data introduces ambiguity resulting from an ill-posed problem with infinitely many possible solutions that propagates to downstream clinical tasks. This uncertainty is usually ignored during the acquisition process as acceleration factors are often fixed a priori, resulting in scans that are either unnecessarily long or of insufficient quality for a given clinical endpoint. This work introduces a dynamic, uncertainty-aware acquisition framework that adjusts scan time on a per-subject basis. Our method leverages a probabilistic reconstruction model to estimate image uncertainty, which is then propagated through a full analysis pipeline to a quantitative metric of interest (e.g., patellar cartilage volume or cardiac ejection fraction). We use conformal prediction to transform this uncertainty into a rigorous, calibrated confidence interval for the metric. During acquisition, the system iteratively samples k-space, updates the reconstruction, and evaluates the confidence interval. The scan terminates automatically once the uncertainty meets a user-predefined precision target. We validate our framework on both knee and cardiac MRI datasets. Our results demonstrate that this adaptive approach reduces scan times compared to fixed protocols while providing formal statistical guarantees on the precision of the final image. This framework moves beyond fixed acceleration factors, enabling patient-specific acquisitions that balance scan efficiency with diagnostic confidence, a critical step towards personalized and resource-efficient MRI.
• Abstract（参考訳）: Magnetic Resonance Imaging (MRI) は、非平行なソフトタスクのコントラストを提供するが、長い取得時間によって基本的に制限される。 深層学習に基づく加速MRIはスキャン時間を劇的に短縮するが、アンサンプされたデータからの再構成は、下流の臨床的タスクに伝播する、無限に多くの可能な解決策による不適切な問題に起因する曖昧さをもたらす。 この不確実性は通常、取得プロセスの間に無視されるが、アクセラレーション因子はしばしば事前に固定され、その結果、必要以上に長いか、特定の臨床エンドポイントに不十分な品質のスキャンが行われる。 この研究は、オブジェクトごとのスキャン時間を調整する、動的で不確実性を認識した買収フレームワークを導入している。 提案手法は確率的再構成モデルを用いて画像の不確かさを推定し,全解析パイプラインを通して定量的な関心度(パテラー軟骨体積,心臓放出率など)に伝播する。 我々は整合予測を用いて、この不確かさを計量の厳密で校正された信頼区間に変換する。 取得中、システムはk空間を反復的にサンプリングし、再構成を更新し、信頼区間を評価する。 不確かさがユーザが予め定義した精度目標に合うと、スキャンは自動的に終了する。 膝と心臓のMRIデータセット上での枠組みの検証を行った。 この適応的手法は,最終的な画像の精度に関する公式な統計的保証を提供しながら,固定されたプロトコルと比較してスキャン時間を短縮することを示す。 このフレームワークは、固定された加速因子を超えて、スキャン効率と診断信頼性のバランスをとる患者固有の取得を可能にし、パーソナライズされたリソース効率のMRIへの重要なステップである。

関連論文リスト

• Evaluating structural uncertainty in accelerated MRI: are voxelwise measures useful surrogates? [1.8124328823188356]
  ボクセルレベルの不確実性は形態的不確実性についての洞察を与えないことを示す。 臨床的に関連のある下流課題としてセグメンテーションを使用し、再建モードのアンサンブルを配置し、再建における不確実性を測定する。
  論文  参考訳（メタデータ） (2025-03-13T16:34:22Z)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• 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)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。