論文の概要: Cyclic Self-Supervised Diffusion for Ultra Low-field to High-field MRI Synthesis

• arxiv url: http://arxiv.org/abs/2510.13735v1
• Date: Wed, 15 Oct 2025 16:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.767171
• Title: Cyclic Self-Supervised Diffusion for Ultra Low-field to High-field MRI Synthesis
• Title（参考訳）: 超低磁場-高磁場MRI合成のための周期的自己監督拡散
• Authors: Zhenxuan Zhang, Peiyuan Jing, Zi Wang, Ula Briski, Coraline Beitone, Yue Yang, Yinzhe Wu, Fanwen Wang, Liutao Yang, Jiahao Huang, Zhifan Gao, Zhaolin Chen, Kh Tohidul Islam, Guang Yang, Peter J. Lally,
• Abstract要約: 低磁場MRIは安価で、よりアクセシビリティが高く、安全であるが、低解像度で信号対雑音比が低い。 画像のコントラストにおいて、解剖学的な忠実さを保ち、きめ細かな構造の詳細を高め、ドメインギャップを埋める必要がある。 実低磁場MRIデータから高磁場MRI合成を行うために, 楕円型自己教師拡散(CSS-Diff)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.659040331377216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthesizing high-quality images from low-field MRI holds significant potential. Low-field MRI is cheaper, more accessible, and safer, but suffers from low resolution and poor signal-to-noise ratio. This synthesis process can reduce reliance on costly acquisitions and expand data availability. However, synthesizing high-field MRI still suffers from a clinical fidelity gap. There is a need to preserve anatomical fidelity, enhance fine-grained structural details, and bridge domain gaps in image contrast. To address these issues, we propose a \emph{cyclic self-supervised diffusion (CSS-Diff)} framework for high-field MRI synthesis from real low-field MRI data. Our core idea is to reformulate diffusion-based synthesis under a cycle-consistent constraint. It enforces anatomical preservation throughout the generative process rather than just relying on paired pixel-level supervision. The CSS-Diff framework further incorporates two novel processes. The slice-wise gap perception network aligns inter-slice inconsistencies via contrastive learning. The local structure correction network enhances local feature restoration through self-reconstruction of masked and perturbed patches. Extensive experiments on cross-field synthesis tasks demonstrate the effectiveness of our method, achieving state-of-the-art performance (e.g., 31.80 $\pm$ 2.70 dB in PSNR, 0.943 $\pm$ 0.102 in SSIM, and 0.0864 $\pm$ 0.0689 in LPIPS). Beyond pixel-wise fidelity, our method also preserves fine-grained anatomical structures compared with the original low-field MRI (e.g., left cerebral white matter error drops from 12.1$\%$ to 2.1$\%$, cortex from 4.2$\%$ to 3.7$\%$). To conclude, our CSS-Diff can synthesize images that are both quantitatively reliable and anatomically consistent.
• Abstract（参考訳）: 低磁場MRIからの高画質画像の合成は大きな可能性を秘めている。 低磁場MRIは安価で、よりアクセシビリティが高く、安全であるが、低解像度で信号対雑音比が低い。 この合成プロセスは、コストのかかる取得への依存を低減し、データ可用性を拡大することができる。 しかし、高磁場MRIの合成は、まだ臨床像のギャップに悩まされている。 画像のコントラストにおいて、解剖学的な忠実さを保ち、きめ細かな構造の詳細を高め、ドメインギャップを埋める必要がある。 これらの課題に対処するため、実低磁場MRIデータから高磁場MRI合成を行うために、emph{cyclic self-supervised diffusion (CSS-Diff) フレームワークを提案する。 我々の中心となる考え方は、サイクル一貫性の制約の下で拡散に基づく合成を再構成することである。 対のピクセルレベルの監督に頼るのではなく、生成過程を通して解剖学的保存を強制する。 CSS-Diffフレームワークには、2つの新しいプロセスが組み込まれている。 スライスワイズ・ギャップ認識ネットワークは、対照的な学習を通じて、スライス間不整合を整合させる。 局所構造補正ネットワークは、マスクおよび摂動パッチの自己再構成による局所的特徴回復を促進する。 クロスフィールド合成タスクの広範囲な実験により、最先端の性能(PSNRでは31.80 $\pm$ 2.70 dB、SSIMでは0.943 $\pm$ 0.102、LPIPSでは0.0864 $\pm$ 0.0689)が達成された。 ピクセルワイド忠実度以外にも、元の低磁場MRI(例えば、左脳白質の誤差は12.1$\%$から2.1$\%$、大脳皮質は4.2$\%$から3.7$\%$)と比較して微細な解剖学的構造を保っている。 結論として、我々のCSS-Diffは定量的に信頼性があり、解剖学的に一貫性のある画像を合成できる。

関連論文リスト

• Automatic quality control in multi-centric fetal brain MRI super-resolution reconstruction [0.46838071357260985]
  本研究は、胎児脳MRIの超解像再構成(SRR)ボリュームの自動品質管理に焦点を当てる。 本稿では,100以上の画像品質指標を抽出し,画像品質スコアを予測する機械学習手法FetMRQC$_SR$を提案する。
  論文  参考訳（メタデータ） (2025-03-13T08:34:40Z)
• Pretext Task Adversarial Learning for Unpaired Low-field to Ultra High-field MRI Synthesis [5.998097558786736]
  低磁場MRIは、高磁場MRIと比較して、信号対雑音比(SNR)と空間分解能の低下に悩まされることが多い。 低磁場MRIデータからの高磁場MRI合成のためのPretext Task Adversarial (PTA) 学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-07T11:28:55Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• 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)
• Cine cardiac MRI reconstruction using a convolutional recurrent network with refinement [9.173298795526152]
  心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。 これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。 提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-23T14:07:04Z)
• Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
  本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。 我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T04:09:21Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)

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。