論文の概要: K-Syn: K-space Data Synthesis in Ultra Low-data Regimes

• arxiv url: http://arxiv.org/abs/2509.06997v1
• Date: Thu, 04 Sep 2025 12:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.011007
• Title: K-Syn: K-space Data Synthesis in Ultra Low-data Regimes
• Title（参考訳）: K-Syn:超低データレジームにおけるK空間データ合成
• Authors: Guan Yu, Zhang Jianhua, Liang Dong, Liu Qiegen,
• Abstract要約: このレターは周波数領域の機能レベルのモデリングに焦点をあて、超低データ状態であっても安定でリッチな生成を可能にする。 我々は、時間枠にまたがるk空間データを複数の融合戦略と統合し、生成軌道を操り、さらに最適化する。 実験により, 提案手法は低データレシエーションにおいて強い生成能力を有することが示された。
• 参考スコア（独自算出の注目度）: 0.7817545394809559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Owing to the inherently dynamic and complex characteristics of cardiac magnetic resonance (CMR) imaging, high-quality and diverse k-space data are rarely available in practice, which in turn hampers robust reconstruction of dynamic cardiac MRI. To address this challenge, we perform feature-level learning directly in the frequency domain and employ a temporal-fusion strategy as the generative guidance to synthesize k-space data. Specifically, leveraging the global representation capacity of the Fourier transform, the frequency domain can be considered a natural global feature space. Therefore, unlike traditional methods that use pixel-level convolution for feature learning and modeling in the image domain, this letter focuses on feature-level modeling in the frequency domain, enabling stable and rich generation even with ultra low-data regimes. Moreover, leveraging the advantages of feature-level modeling in the frequency domain, we integrate k-space data across time frames with multiple fusion strategies to steer and further optimize the generative trajectory. Experimental results demonstrate that the proposed method possesses strong generative ability in low-data regimes, indicating practical potential to alleviate data scarcity in dynamic MRI reconstruction.
• Abstract（参考訳）: 心臓磁気共鳴(CMR)イメージングの本質的にダイナミックで複雑な特徴のため、高画質で多様なk-spaceデータが実際に利用可能になることは稀であり、それによってダイナミックな心臓MRIの堅牢な再構築が図られる。 この課題に対処するために、我々は周波数領域で直接機能レベルの学習を行い、k空間データを合成するための生成ガイダンスとして時間融合戦略を用いる。 具体的には、フーリエ変換の大域的表現能力を利用することで、周波数領域は自然大域的特徴空間とみなすことができる。 したがって、画像領域における特徴学習やモデリングに画素レベルの畳み込みを用いる従来の手法とは異なり、この文字は周波数領域における特徴レベルのモデリングに焦点をあて、超低データ状態であっても安定でリッチな生成を可能にする。 さらに、周波数領域における特徴量モデリングの利点を利用して、時間枠をまたいだk空間データを複数の融合戦略と統合し、生成軌道を操り、さらに最適化する。 実験により, 提案手法は低データ状態において強い生成能力を有しており, 動的MRI再構成におけるデータ不足を軽減する実用的な可能性を示している。

関連論文リスト

• Zero-shot Dynamic MRI Reconstruction with Global-to-local Diffusion Model [17.375064910924717]
  本稿では,Glob-al-to-local Diffusion Model(Glob-al-to-local Diffusion Model)と呼ばれる時間インターリーブ取得方式に基づく動的MRI再構成手法を提案する。 提案手法は, 騒音の低減と保存の両面において良好に機能し, 教師付き手法に匹敵する再現性を実現する。
  論文  参考訳（メタデータ） (2024-11-06T07:40:27Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• A Compact Implicit Neural Representation for Efficient Storage of Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
  fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。 Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
  論文  参考訳（メタデータ） (2023-11-30T05:54:37Z)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• Global k-Space Interpolation for Dynamic MRI Reconstruction using Masked Image Modeling [10.74920257710449]
  ダイナミックMRI(Dynamic Magnetic Imaging)では、k空間はスキャン時間に制限があるためアンサンプされることが多い。 我々は,k-GINと呼ばれるトランスフォーマーベースのk空間グローバル補間ネットワークを提案する。 我々のk-GINは、2D+t k空間の低周波成分と高周波成分のグローバル依存関係を学習し、アンサンプされたデータを補間する。
  論文  参考訳（メタデータ） (2023-07-24T10:20:14Z)
• Focal Frequency Loss for Image Reconstruction and Synthesis [125.7135706352493]
  周波数領域の狭さが画像再構成と合成品質をさらに改善できることを示す。 本稿では,合成が難しい周波数成分に適応的に焦点を合わせることのできる,新しい焦点周波数損失を提案する。
  論文  参考訳（メタデータ） (2020-12-23T17:32:04Z)

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。