論文の概要: Predicting before Reconstruction: A generative prior framework for MRI acceleration

• arxiv url: http://arxiv.org/abs/2510.19472v1
• Date: Wed, 22 Oct 2025 11:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.723431
• Title: Predicting before Reconstruction: A generative prior framework for MRI acceleration
• Title（参考訳）: 再建前予測:MRIアクセラレーションのための生成前フレームワーク
• Authors: Juhyung Park, Rokgi Hong, Roh-Eul Yoo, Jaehyeon Koo, Se Young Chun, Seung Hong Choi, Jongho Lee,
• Abstract要約: 磁気共鳴画像(MRI)の高速化のための新しいパラダイムを提案する。 我々のフレームワークはまずターゲットのコントラスト画像を予測し、次に、高度にアンダーサンプリングされたデータを再構成するためのデータ駆動の事前処理として機能する。 1)T1wスキャンおよび/またはT2wスキャンからの予測を用いてFLAIRイメージを再構成し、(2)以前に取得したT1wスキャンからの予測を用いてT1wイメージを再構成する。
• 参考スコア（独自算出の注目度）: 20.31513198811305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in artificial intelligence have created transformative capabilities in image synthesis and generation, enabling diverse research fields to innovate at revolutionary speed and spectrum. In this study, we leverage this generative power to introduce a new paradigm for accelerating Magnetic Resonance Imaging (MRI), introducing a shift from image reconstruction to proactive predictive imaging. Despite being a cornerstone of modern patient care, MRI's lengthy acquisition times limit clinical throughput. Our novel framework addresses this challenge by first predicting a target contrast image, which then serves as a data-driven prior for reconstructing highly under-sampled data. This informative prior is predicted by a generative model conditioned on diverse data sources, such as other contrast images, previously scanned images, acquisition parameters, patient information. We demonstrate this approach with two key applications: (1) reconstructing FLAIR images using predictions from T1w and/or T2w scans, and (2) reconstructing T1w images using predictions from previously acquired T1w scans. The framework was evaluated on internal and multiple public datasets (total 14,921 scans; 1,051,904 slices), including multi-channel k-space data, for a range of high acceleration factors (x4, x8 and x12). The results demonstrate that our prediction-prior reconstruction method significantly outperforms other approaches, including those with alternative or no prior information. Through this framework we introduce a fundamental shift from image reconstruction towards a new paradigm of predictive imaging.
• Abstract（参考訳）: 人工知能の最近の進歩は、画像合成と生成における変換能力を生み出し、多様な研究分野が革命的な速度とスペクトルで革新することを可能にする。 本研究では、この生成力を活用し、MRI(MRI)の高速化のための新しいパラダイムを導入し、画像再構成からプロアクティブな予測画像への移行を提案する。 現代の患者医療の基盤であるにもかかわらず、MRIの長い取得時間は臨床のスループットを制限している。 我々の新しいフレームワークは、まずターゲットのコントラスト画像を予測することでこの問題に対処する。 この情報は、他のコントラスト画像、以前にスキャンされた画像、取得パラメータ、患者情報など、多様なデータソースに条件付けされた生成モデルによって予測される。 1)T1wスキャンおよび/またはT2wスキャンからの予測を用いてFLAIRイメージを再構成し、(2)以前に取得したT1wスキャンからの予測を用いてT1wイメージを再構成する。 このフレームワークは、内部および複数の公開データセット(トータル14,921スキャン、1,051,904スライス)で、高い加速係数(x4, x8, x12)に対して、マルチチャネルk空間データを含む評価された。 その結果,提案手法は,代替情報や事前情報がないものなど,他の手法よりも有意に優れていることがわかった。 この枠組みを通じて、画像再構成から予測画像の新しいパラダイムへの根本的なシフトを導入する。

関連論文リスト

• Enhancing and Accelerating Brain MRI through Deep Learning Reconstruction Using Prior Subject-Specific Imaging [35.175191487977386]
  ディープラーニングに基づく新しいMRI再構成フレームワークを提案する。 我々は,T1強調MRIの縦断的データセットを用いて,被験者18名からの2,808イメージを4つのアクセラレーション因子で検証した。 また,従来の登録アルゴリズムを用いた手法と比較して,再建時間を大幅に短縮した。
  論文  参考訳（メタデータ） (2025-07-28T21:39:36Z)
• 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)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Fill the K-Space and Refine the Image: Prompting for Dynamic and Multi-Contrast MRI Reconstruction [31.404228406642194]
  ダイナミックまたはマルチコントラスト磁気共鳴画像(MRI)再構成の鍵は、フレーム間またはコントラスト間情報を探索することにある。 本稿では,これらの制約に対処する2段階MRI再構成パイプラインを提案する。 提案手法は,従来の高速MRI再建法より有意に優れていた。
  論文  参考訳（メタデータ） (2023-09-25T02:51:00Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• 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)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• Deep Medical Image Analysis with Representation Learning and Neuromorphic Computing [1.43494686131174]
  回転やアフィン変換に頑健な表現を明示的に学習するカプセルネットワークを提案する。 第2に、最新のドメイン適応技術を活用して、新しい最先端の精度を実現する。 第3に、Intel Loihiニューロモルフィックチップでトレーニングされたスパイクニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-05-11T20:56:37Z)

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。