論文の概要: Groupwise Registration with Physics-Informed Test-Time Adaptation on Multi-parametric Cardiac MRI

• arxiv url: http://arxiv.org/abs/2510.26022v1
• Date: Wed, 29 Oct 2025 23:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.60335
• Title: Groupwise Registration with Physics-Informed Test-Time Adaptation on Multi-parametric Cardiac MRI
• Title（参考訳）: マルチパラメトリック心臓MRIにおける物理インフォームドテスト時間適応によるグループ登録
• Authors: Xinqi Li, Yi Zhang, Li-Ting Huang, Hsiao-Huang Chang, Thoralf Niendorf, Min-Chi Ku, Qian Tao, Hsin-Jung Yang,
• Abstract要約: マルチパラメトリックマッピングMRIは、心筋組織のキャラクタリゼーションに有効なツールとなっている。 マルチパラメトリックマップ間のミスアライメントは、ピクセルワイズ解析を難しくする。 テスト時間適応を用いた一般化可能な物理インフォームドディープラーニングモデルを開発した。
• 参考スコア（独自算出の注目度）: 6.226653778992303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiparametric mapping MRI has become a viable tool for myocardial tissue characterization. However, misalignment between multiparametric maps makes pixel-wise analysis challenging. To address this challenge, we developed a generalizable physics-informed deep-learning model using test-time adaptation to enable group image registration across contrast weighted images acquired from multiple physical models (e.g., a T1 mapping model and T2 mapping model). The physics-informed adaptation utilized the synthetic images from specific physics model as registration reference, allows for transductive learning for various tissue contrast. We validated the model in healthy volunteers with various MRI sequences, demonstrating its improvement for multi-modal registration with a wide range of image contrast variability.
• Abstract（参考訳）: マルチパラメトリックマッピングMRIは、心筋組織のキャラクタリゼーションに有効なツールとなっている。 しかし,マルチパラメトリックマップ間の不一致は画素ワイズ解析を困難にしている。 そこで我々は,複数の物理モデル(例えば,T1マッピングモデルとT2マッピングモデル)から得られたコントラスト重み付き画像間でグループ画像の登録を可能にする,テスト時間適応を用いた一般化可能な物理情報深層学習モデルを開発した。 物理インフォームド適応は、特定の物理モデルからの合成画像を登録基準として利用し、様々な組織コントラストに対するトランスダクティブ学習を可能にした。 各種MRIシークエンスを持つ健常者を対象に, 画像のコントラスト変動が広いマルチモーダル登録の改善を実証し, モデルの有効性を検証した。

関連論文リスト

• Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation [9.902164293005917]
  リバースイメージング(Reverse Imaging)は、心臓MRIデータ拡張とドメイン適応のための物理駆動型手法である。 心臓MRI画像から根底にあるスピン特性を逆転させる手法を提案する。 Reverse Imagingは画像のコントラストや画像のプロトコールの精度が高いセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-08-28T22:55:15Z)
• Deep histological synthesis from mass spectrometry imaging for multimodal registration [0.5495251046328457]
  本研究は, ピクサ2ピクセルモデルを用いてMSIから組織像を合成し, 一様登録を効果的に実現する手法を提案する。 予備的な結果から,有望な人工組織像と限られた人工組織像が得られ,相互情報(MI)と構造類似度指標(SSIM)は,それぞれ+0.924,+0.419と増加した。
  論文  参考訳（メタデータ） (2025-06-05T12:45:52Z)
• MUSTER: Longitudinal Deformable Registration by Composition of Consecutive Deformations [0.0]
  本研究は,医用画像の経時的変化解析手法であるMulti-Session Temporal Registration (MUSTER)を紹介する。 MUSTERは、縦方向の変形を回復するために、2つ以上のイメージングセッションを組み込むことで、従来のペアの登録を改善する。 MUSTERはT1強調画像から神経変性のパターンを効果的に同定し,これらの変化が認知の変化と相関していることを示す。
  論文  参考訳（メタデータ） (2024-12-19T09:22:19Z)
• 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)
• 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)
• Multibranch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction [42.95604565673447]
  本稿では,マルチブランチ生成モデルを用いた医用画像の相乗的再構築のための新しい手法を提案する。 我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の2つのデータセットに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2024-04-12T18:21:08Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)

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。