論文の概要: Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2508.21254v1
• Date: Thu, 28 Aug 2025 22:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.894807
• Title: Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation
• Title（参考訳）: 心臓MRIの広視野一般化のためのリバースイメージング
• Authors: Yidong Zhao, Peter Kellman, Hui Xue, Tongyun Yang, Yi Zhang, Yuchi Han, Orlando Simonetti, Qian Tao,
• Abstract要約: リバースイメージング(Reverse Imaging)は、心臓MRIデータ拡張とドメイン適応のための物理駆動型手法である。 心臓MRI画像から根底にあるスピン特性を逆転させる手法を提案する。 Reverse Imagingは画像のコントラストや画像のプロトコールの精度が高いセグメンテーションを可能にする。
• 参考スコア（独自算出の注目度）: 9.902164293005917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained segmentation models for cardiac magnetic resonance imaging (MRI) struggle to generalize across different imaging sequences due to significant variations in image contrast. These variations arise from changes in imaging protocols, yet the same fundamental spin properties, including proton density, T1, and T2 values, govern all acquired images. With this core principle, we introduce Reverse Imaging, a novel physics-driven method for cardiac MRI data augmentation and domain adaptation to fundamentally solve the generalization problem. Our method reversely infers the underlying spin properties from observed cardiac MRI images, by solving ill-posed nonlinear inverse problems regularized by the prior distribution of spin properties. We acquire this "spin prior" by learning a generative diffusion model from the multiparametric SAturation-recovery single-SHot acquisition sequence (mSASHA) dataset, which offers joint cardiac T1 and T2 maps. Our method enables approximate but meaningful spin-property estimates from MR images, which provide an interpretable "latent variable" that lead to highly flexible image synthesis of arbitrary novel sequences. We show that Reverse Imaging enables highly accurate segmentation across vastly different image contrasts and imaging protocols, realizing wide-spectrum generalization of cardiac MRI segmentation.
• Abstract（参考訳）: 心磁気共鳴画像(MRI)の事前セグメンテーションモデルでは、画像コントラストの顕著な変化により、異なる画像シーケンスをまたいだ一般化が困難である。 これらの変化は、撮像プロトコルの変化に由来するが、プロトン密度、T1、T2値を含む同じ基本的なスピン特性が、取得した全ての画像を管理する。 この中心となる原理は、一般化問題を根本的に解くために、心臓MRIデータ拡張と領域適応のための新しい物理駆動方式であるリバースイメージング(Reverse Imaging)を導入することである。 本手法は, 従来のスピン特性分布に則った不規則な非線形逆問題の解法により, 観察された心筋MRI画像からスピン特性を逆推算する。 我々は, 共同心臓T1マップとT2マップを提供するマルチパラメトリック・サチュレーション・リカバリ・シングルショット取得シーケンス(mSASHA)データセットから生成拡散モデルを学習し, この「スピン先行」を得る。 提案手法は, 任意の新規配列の高フレキシブルな画像合成を実現するための, 解釈可能な「潜在変数」を提供するMR画像から, 近似的だが有意義なスピンプロパティ推定を可能にする。 我々は,Reverse Imagingにより,画像コントラストや画像プロトコルの高精度なセグメンテーションが可能であることを示し,心臓MRIセグメンテーションの広視野一般化を実現する。

関連論文リスト

• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• fRegGAN with K-space Loss Regularization for Medical Image Translation [42.253647362909476]
  GAN(Generative Adversarial Network)は、現実的な画像の生成において顕著な成功を収めている。 GANは低周波の周波数バイアスに悩まされる傾向にあり、それによって生成された画像の重要な構造が取り除かれる。 本稿では,fRegGANと呼ばれる教師付きRegGANアプローチに基づく新しい周波数対応画像画像変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T12:49:10Z)
• High-fidelity Direct Contrast Synthesis from Magnetic Resonance Fingerprinting [28.702553164811473]
  本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。 In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
  論文  参考訳（メタデータ） (2022-12-21T07:11:39Z)
• 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)
• Multi-head Cascaded Swin Transformers with Attention to k-space Sampling Pattern for Accelerated MRI Reconstruction [16.44971774468092]
  我々は,McSTRA(Multi-head Cascaded Swin Transformer)と題する,物理学に基づくスタンドアロン(畳み込みフリー)トランスモデルを提案する。 当モデルでは, 画像と定量的に, 最先端のMRI再建法より有意に優れていた。
  論文  参考訳（メタデータ） (2022-07-18T07:21:56Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• MR-Contrast-Aware Image-to-Image Translations with Generative Adversarial Networks [5.3580471186206005]
  MR取得パラメータの反復時間とエコー時間に基づいて,画像から画像へ生成する敵ネットワークを訓練する。 提案手法はピーク信号対雑音比と24.48と0.66の構造的類似性を示し,ピクセルベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-04-03T17:05:13Z)

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。