論文の概要: Robust High-Resolution Multi-Organ Diffusion MRI Using Synthetic-Data-Tuned Prompt Learning

• arxiv url: http://arxiv.org/abs/2510.15400v1
• Date: Fri, 17 Oct 2025 07:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.524234
• Title: Robust High-Resolution Multi-Organ Diffusion MRI Using Synthetic-Data-Tuned Prompt Learning
• Title（参考訳）: 合成データ付きプロンプト学習を用いたロバスト高分解能多臓器拡散MRI
• Authors: Chen Qian, Haoyu Zhang, Junnan Ma, Liuhong Zhu, Qingrui Cai, Yu Wang, Ruibo Song, Lv Li, Lin Mei, Xianwang Jiang, Qin Xu, Boyu Jiang, Ran Tao, Chunmiao Chen, Shufang Chen, Dongyun Liang, Qiu Guo, Jianzhong Lin, Taishan Kang, Mengtian Lu, Liyuan Fu, Ruibin Huang, Huijuan Wan, Xu Huang, Jianhua Wang, Di Guo, Hai Zhong, Jianjun Zhou, Xiaobo Qu,
• Abstract要約: 本稿では,物理インフォームドモデリングと合成データ駆動型即時学習による課題を克服するリコンストラクションフレームワークLoSP-Promptを紹介する。 ショット間位相の変動を高次局所平滑位相(LoSP)としてモデル化し,低ランクハンケル行列再構成に組み込んだ。
• 参考スコア（独自算出の注目度）: 29.576774395651984
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinical adoption of multi-shot diffusion-weighted magnetic resonance imaging (multi-shot DWI) for body-wide tumor diagnostics is limited by severe motion-induced phase artifacts from respiration, peristalsis, and so on, compounded by multi-organ, multi-slice, multi-direction and multi-b-value complexities. Here, we introduce a reconstruction framework, LoSP-Prompt, that overcomes these challenges through physics-informed modeling and synthetic-data-driven prompt learning. We model inter-shot phase variations as a high-order Locally Smooth Phase (LoSP), integrated into a low-rank Hankel matrix reconstruction. Crucially, the algorithm's rank parameter is automatically set via prompt learning trained exclusively on synthetic abdominal DWI data emulating physiological motion. Validated across 10,000+ clinical images (43 subjects, 4 scanner models, 5 centers), LoSP-Prompt: (1) Achieved twice the spatial resolution of clinical single-shot DWI, enhancing liver lesion conspicuity; (2) Generalized to seven diverse anatomical regions (liver, kidney, sacroiliac, pelvis, knee, spinal cord, brain) with a single model; (3) Outperformed state-of-the-art methods in image quality, artifact suppression, and noise reduction (11 radiologists' evaluations on a 5-point scale, $p<0.05$), achieving 4-5 points (excellent) on kidney DWI, 4 points (good to excellent) on liver, sacroiliac and spinal cord DWI, and 3-4 points (good) on knee and tumor brain. The approach eliminates navigator signals and realistic data supervision, providing an interpretable, robust solution for high-resolution multi-organ multi-shot DWI. Its scanner-agnostic performance signifies transformative potential for precision oncology.
• Abstract（参考訳）: 全身腫瘍診断における多発性拡散強調MRI(multi-shotfusion-weighted magnetic resonance imaging, DWI)の臨床応用は,多臓器・多臓器・多臓器・多目的・多b値複合体を併用した呼吸・腹膜炎などの重篤な運動誘発位相アーティファクトによって制限される。 本稿では、物理インフォームドモデリングと合成データ駆動の即時学習により、これらの課題を克服する再構成フレームワークLoSP-Promptを紹介する。 ショット間位相の変動を高次局所平滑位相(LoSP)としてモデル化し,低ランクハンケル行列再構成に組み込んだ。 重要なことに、アルゴリズムのランクパラメータは、生理運動をエミュレートした合成腹部DWIデータにのみ訓練された即時学習によって自動的に設定される。 1万以上の臨床画像(被験者43名、スキャナーモデル4名、センター5名)、LoSP-Prompt:(1)臨床シングルショットDWIの2倍の空間分解能、肝病変の強調、(2)1つのモデルで7つの解剖学的領域(肝、腎臓、仙腸、骨盤、膝、脊髄、脳)に一般化、(3)画像品質、アーチファクトの抑制、ノイズの低減におけるアウトパフォード・オブ・アーティファクトの手法(11名)5ポイントスケールでの評価、p<0.05ドル、腎臓DWIで4-5ポイント(優れた点)、肝臓、仙腸、脊髄、DWIで4ポイント(優れた点)、そしてDWIで3ポイント(良い点)に一般化された。 このアプローチはナビゲータ信号と現実的なデータ監視を排除し、高解像度のマルチカメラDWIのための解釈可能で堅牢なソリューションを提供する。 スキャナーに依存しない性能は、精度オンコロジーの変換電位を示す。

関連論文リスト

• 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)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Physics-informed Deep Diffusion MRI Reconstruction with Synthetic Data: Break Training Data Bottleneck in Artificial Intelligence [31.25388976923081]
  拡散磁気共鳴イメージング(MRI)は、非侵襲的な水分子の動き検出のための唯一の画像モダリティである。 マルチショット技術で取得したDWI MRIは,高分解能,信号対雑音比,幾何歪みの低減を実現している。 これらのアーティファクトは将来的に除去できないため、アーティファクトフリーのトレーニングラベルが欠落する。 高品質なペアリング学習データを合成する物理インフォームド深部DWI再構成法を提案する。
  論文  参考訳（メタデータ） (2022-10-20T16:27:54Z)
• SpineNetV2: Automated Detection, Labelling and Radiological Grading Of Clinical MR Scans [70.04389979779195]
  SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。 また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
  論文  参考訳（メタデータ） (2022-05-03T15:05:58Z)

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。