論文の概要: Self-supervised Deep Unrolled Model with Implicit Neural Representation Regularization for Accelerating MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2510.06611v2
• Date: Fri, 07 Nov 2025 09:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 14:53:49.486671
• Title: Self-supervised Deep Unrolled Model with Implicit Neural Representation Regularization for Accelerating MRI Reconstruction
• Title（参考訳）: インシシットニューラル表現規則付き自己教師付きディープアンロールドモデルによるMRIの高速化
• Authors: Jingran Xu, Yuanyuan Liu, Yuanbiao Yang, Zhuo-Xu Cui, Jing Cheng, Qingyong Zhu, Nannan Zhang, Yihang Zhou, Dong Liang, Yanjie Zhu,
• Abstract要約: MRI再構成の高速化は、アンダーサンプリングされたk空間測定から高忠実度MR画像の再構成によってこの問題に対処する。 本稿では、外部トレーニングデータなしでスキャン固有の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手法を提案する。
• 参考スコア（独自算出の注目度）: 19.419634295527974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance imaging (MRI) is a vital clinical diagnostic tool, yet its application is limited by prolonged scan times. Accelerating MRI reconstruction addresses this issue by reconstructing high-fidelity MR images from undersampled k-space measurements. In recent years, deep learning-based methods have demonstrated remarkable progress. However, most methods rely on supervised learning, which requires large amounts of fully-sampled training data that are difficult to obtain. This paper proposes a novel zero-shot self-supervised reconstruction method named UnrollINR, which enables scan-specific MRI reconstruction without external training data. UnrollINR adopts a physics-guided unrolled reconstruction architecture and introduces implicit neural representation (INR) as a regularization prior to effectively constrain the solution space. This method overcomes the local bias limitation of CNNs in traditional deep unrolled methods and avoids the instability associated with relying solely on INR's implicit regularization in highly ill-posed scenarios. Consequently, UnrollINR significantly improves MRI reconstruction performance under high acceleration rates. Experimental results show that even at a high acceleration rate of 10, UnrollINR achieves superior reconstruction performance compared to supervised and self-supervised learning methods, validating its effectiveness and superiority.
• Abstract（参考訳）: 磁気共鳴画像(MRI)は重要な臨床診断ツールであるが、その応用は長期のスキャン時間によって制限される。 MRI再構成の高速化は、アンダーサンプリングされたk空間測定から高忠実度MR画像の再構成によってこの問題に対処する。 近年,ディープラーニングに基づく手法が顕著に進歩している。 しかし、ほとんどの手法は教師あり学習に依存しており、入手が困難である大量の完全サンプル学習データを必要とする。 本稿では、外部トレーニングデータなしでスキャン固有の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手法を提案する。 UnrollINRは物理誘導型アンロール型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前の正規化として暗黙的ニューラル表現(INR)を導入している。 この手法は、従来の深層学習手法におけるCNNの局所バイアス制限を克服し、高度に不規則なシナリオにおけるINRの暗黙の正規化のみに依存する不安定性を回避する。 これにより、UnrollINRは高加速速度でMRI再構成性能を大幅に改善する。 実験結果から,UnrollINRは10倍の加速速度でも,教師付き・自己教師型学習法よりも優れた再構成性能を示し,その有効性と優越性を検証した。

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。