論文の概要: Self-supervised Physics-guided Model with Implicit Representation Regularization for Fast MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2510.06611v1
• Date: Wed, 08 Oct 2025 03:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.282774
• Title: Self-supervised Physics-guided Model with Implicit Representation Regularization for Fast MRI Reconstruction
• Title（参考訳）: 高速MRI再構成のための命令表現規則付き自己教師付き物理誘導モデル
• Authors: Jingran Xu, Yuanyuan Liu, Yanjie Zhu,
• Abstract要約: 本稿では,UnrollINRという新たなゼロショット自己教師型再構築フレームワークを提案する。 UnrollINRは、外部のトレーニングデータに頼ることなく、スキャン固有のMRI再構成を可能にする。 実験結果から,UnrollINRは教師付き学習法に比べ,高い加速速度で再現性能が得られた。
• 参考スコア（独自算出の注目度）: 11.244576471440753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic Resonance Imaging (MRI) is a vital clinical diagnostic tool, yet its widespread application is limited by prolonged scan times. Fast MRI reconstruction techniques effectively reduce acquisition duration by reconstructing high-fidelity MR images from undersampled k-space data. In recent years, deep learning-based methods have demonstrated remarkable progress in this field, with self-supervised and unsupervised learning approaches proving particularly valuable in scenarios where fully sampled data are difficult to obtain. This paper proposes a novel zero-shot self-supervised reconstruction framework named UnrollINR, which enables scan-specific MRI reconstruction without relying on external training data. The method adopts a physics-guided unrolled iterative reconstruction architecture and introduces Implicit Neural Representation (INR) as a regularization prior to effectively constrain the solution space. By combining a deep unrolled structure with the powerful implicit representation capability of INR, the model's interpretability and reconstruction performance are enhanced. Experimental results demonstrate that even at a high acceleration rate of 10, UnrollINR achieves superior reconstruction performance compared to the supervised learning method, validating the superiority of the proposed method.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は重要な臨床診断ツールであるが、その適用範囲は長期のスキャン時間に限られている。 高速MRI再構成技術は, アンダーサンプルk空間データから高忠実度MR画像を再構成することにより, 取得期間を効果的に短縮する。 近年、深層学習に基づく手法がこの分野において顕著な進歩を見せており、完全なサンプルデータを得るのが困難なシナリオにおいて、自己監督的かつ教師なしの学習アプローチが特に有用であることが証明されている。 本稿では、外部トレーニングデータに頼ることなく、スキャン固有のMRI再構成を可能にする、UnrollINRという新しいゼロショット自己教師型再構成フレームワークを提案する。 本手法は, 物理誘導型反復再構成アーキテクチャを採用し, 解空間を効果的に制約するために, インプリシットニューラルネットワーク表現(INR)を正規化として導入する。 深いアンロール構造とINRの強力な暗黙的表現能力を組み合わせることにより、モデルの解釈可能性と再構成性能が向上する。 実験結果から,UnrollINRは10の加速速度でも教師付き学習法よりも優れた再構成性能を示し,提案手法の優位性を検証した。

関連論文リスト

• PrIINeR: Towards Prior-Informed Implicit Neural Representations for Accelerated MRI [2.2265038612930663]
  Inlicit Neural Representations (INRs) はMRIの再構成を約束するが、事前の制約が弱いため、高いアクセラレーション要因に悩まされる。 我々は、事前学習したディープラーニングモデルからの事前知識をINRフレームワークに統合する、INRに基づくMRI再構成手法PrIINeRを提案する。
  論文  参考訳（メタデータ） (2025-08-11T14:59:09Z)
• 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)
• Self-Supervised MRI Reconstruction with Unrolled Diffusion Models [27.143473617162304]
  自己監督型拡散再構成モデル(SSDiffRecon)を提案する。 SSDiffReconは、物理駆動処理のためのデータ一貫性ブロックと逆拡散ステップのためのクロスアテンショントランスフォーマーをインターリーブする条件拡散プロセスを表現する。 公開脳MRデータセットを用いた実験は、SSDiffReconの再構築速度と品質の点で、最先端の教師付きベースラインと自己教師付きベースラインに対する優位性を示す。
  論文  参考訳（メタデータ） (2023-06-29T03:31:46Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation [9.388253054229155]
  暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。 提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。 良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
  論文  参考訳（メタデータ） (2022-10-19T10:16:03Z)
• 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)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)

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。