論文の概要: Metadata-Aligned 3D MRI Representations for Contrast Understanding and Quality Control

• arxiv url: http://arxiv.org/abs/2511.00681v1
• Date: Sat, 01 Nov 2025 19:49:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.890654
• Title: Metadata-Aligned 3D MRI Representations for Contrast Understanding and Quality Control
• Title（参考訳）: コントラスト理解と品質管理のためのメタデータ対応3次元MRI表現
• Authors: Mehmet Yigit Avci, Pedro Borges, Virginia Fernandez, Paul Wright, Mehmet Yigitsoy, Sebastien Ourselin, Jorge Cardoso,
• Abstract要約: MR-CLIPは, ボリューム画像とDICOM取得パラメータを一致させてMRIコントラスト表現を学習する, メタデータ誘導型フレームワークである。 結果として得られた埋め込みは、MRIシーケンスの異なるクラスタを示し、データ不足下で教師付き3Dベースラインを上回っている。 MR-CLIPは、多種多様な臨床データセットにわたるラベル効率のMRI解析のためのスケーラブルな基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.7201894411169433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging suffers from substantial data heterogeneity and the absence of standardized contrast labels across scanners, protocols, and institutions, which severely limits large-scale automated analysis. A unified representation of MRI contrast would enable a wide range of downstream utilities, from automatic sequence recognition to harmonization and quality control, without relying on manual annotations. To this end, we introduce MR-CLIP, a metadata-guided framework that learns MRI contrast representations by aligning volumetric images with their DICOM acquisition parameters. The resulting embeddings shows distinct clusters of MRI sequences and outperform supervised 3D baselines under data scarcity in few-shot sequence classification. Moreover, MR-CLIP enables unsupervised data quality control by identifying corrupted or inconsistent metadata through image-metadata embedding distances. By transforming routinely available acquisition metadata into a supervisory signal, MR-CLIP provides a scalable foundation for label-efficient MRI analysis across diverse clinical datasets.
• Abstract（参考訳）: 磁気共鳴イメージングは、大量のデータの不均一性と、スキャナー、プロトコル、施設間での標準コントラストラベルの欠如に悩まされており、大規模な自動解析を厳しく制限している。 MRIコントラストの統一表現は、自動シーケンス認識から調和化や品質管理まで、手動のアノテーションに頼ることなく、幅広い下流ユーティリティを可能にする。 そこで, MR-CLIPは, ボリューム画像とDICOM取得パラメータをアライメントすることで, MRIコントラスト表現を学習するメタデータ誘導フレームワークである。 結果として得られた埋め込みは、MRIシークエンシングの異なるクラスタを示し、少数ショットシークエンス分類におけるデータの不足の下で教師付き3Dベースラインよりも優れていた。 さらに、MR-CLIPは、画像メタタ埋め込み距離を介して、破損したメタデータや一貫性のないメタデータを識別することにより、教師なしのデータ品質制御を可能にする。 日常的に利用可能な取得メタデータを監視信号に変換することで、MR-CLIPは、さまざまな臨床データセットにわたるラベル効率のよいMRI分析のためのスケーラブルな基盤を提供する。

関連論文リスト

• MR-CLIP: Efficient Metadata-Guided Learning of MRI Contrast Representations [0.8430273876996414]
  MR-CLIPは、MR画像とDICOMメタデータを整合させてコントラスト認識表現を学習するマルチモーダルコントラスト学習フレームワークである。 クロスモーダル検索とコントラスト分類におけるその効果を実証し、その拡張性とさらなる臨床応用の可能性を強調した。
  論文  参考訳（メタデータ） (2025-06-23T13:27:31Z)
• Cross-Sequence Semi-Supervised Learning for Multi-Parametric MRI-Based Visual Pathway Delineation [18.101169568060786]
  本稿では,VP記述のための新しい半教師付き多パラメータ特徴分解フレームワークを提案する。 具体的には、相関制約付き特徴分解(CFD)は複雑な相互系列関係を扱うように設計されている。 2つのパブリックデータセットと1つの社内マルチシェル拡散MRI(MDM)データセットを用いて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2025-05-26T09:18:58Z)
• ZECO: ZeroFusion Guided 3D MRI Conditional Generation [11.645873358288648]
  ZECOはZeroFusionでガイドされた3D MRI条件生成フレームワークである。 対応する3Dセグメンテーションマスクを備えた高忠実度MRI画像の抽出、圧縮、生成を行う。 ZECOは、脳MRIデータセットの定量的および質的な評価において、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-03-24T00:04:52Z)
• 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)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Explainable unsupervised multi-modal image registration using deep networks [2.197364252030876]
  MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。 本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
  論文  参考訳（メタデータ） (2023-08-03T19:13:48Z)
• 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)

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。