Fugu-MT 論文翻訳(概要): Position-Prior-Guided Network for System Matrix Super-Resolution in Magnetic Particle Imaging

論文の概要: Position-Prior-Guided Network for System Matrix Super-Resolution in Magnetic Particle Imaging

arxiv url: http://arxiv.org/abs/2511.05795v1
Date: Sat, 08 Nov 2025 01:53:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:44.580409
Title: Position-Prior-Guided Network for System Matrix Super-Resolution in Magnetic Particle Imaging
Title（参考訳）: 磁気粒子イメージングにおけるシステムマトリックス超解像のための位置パラメータ誘導ネットワーク
Authors: Xuqing Geng, Lei Su, Zhongwei Bian, Zewen Sun, Jiaxuan Wen, Jie Tian, Yang Du,
Abstract要約: 磁気粒子イメージング(MPI)は、新しい医用画像モダリティである。 MPI再建のための確立された方法の1つは System Matrix (SM) に基づくものである。
参考スコア（独自算出の注目度）: 5.538446786424273
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Magnetic Particle Imaging (MPI) is a novel medical imaging modality. One of the established methods for MPI reconstruction is based on the System Matrix (SM). However, the calibration of the SM is often time-consuming and requires repeated measurements whenever the system parameters change. Current methodologies utilize deep learning-based super-resolution (SR) techniques to expedite SM calibration; nevertheless, these strategies do not fully exploit physical prior knowledge associated with the SM, such as symmetric positional priors. Consequently, we integrated positional priors into existing frameworks for SM calibration. Underpinned by theoretical justification, we empirically validated the efficacy of incorporating positional priors through experiments involving both 2D and 3D SM SR methods.
Abstract（参考訳）: 磁気粒子イメージング(MPI)は、新しい医用画像モダリティである。 MPI再建のための確立された方法の1つは System Matrix (SM) に基づいている。しかし、SMの校正には時間を要することが多く、システムのパラメータが変化するたびに繰り返し測定する必要がある。現在の手法では、深層学習に基づく超解像(SR)技術を用いてSM校正を高速化するが、しかしながらこれらの戦略は、対称位置前兆のようなSMに関連する物理的事前知識を完全に活用していない。その結果,既存のSM校正フレームワークに位置情報を組み込んだ。理論的正当性を基礎として, 2次元および3次元SM SR法を併用した実験により, 位置推定を組み込むことの有効性を実証的に検証した。

関連論文リスト

Fast Trajectory-Independent Model-Based Reconstruction Algorithm for Multi-Dimensional Magnetic Particle Imaging [1.7614751781649953]
2D Particleoidal Imaging (MPI) は超常磁性ナノ粒子の分布を可視化するための有望な技術である。 MPI再構成は、フォワード演算子の時間消費分布系行列またはモデルに基づくシミュレーションに依存する。本稿では,モデルベースMPI再構成を用いた実軌道非依存型MPIデータの最初の再構成について述べる。
論文参考訳（メタデータ） (2025-05-28T19:13:46Z)
JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
論文参考訳（メタデータ） (2025-05-12T23:32:21Z)
Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。 BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
論文参考訳（メタデータ） (2025-03-11T11:13:10Z)
Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文参考訳（メタデータ） (2024-08-01T15:14:10Z)
HOPE for a Robust Parameterization of Long-memory State Space Models [51.66430224089725]
線形時間不変(LTI)システムを利用する状態空間モデル(SSM)は、長いシーケンスの学習において有効であることが知られている。我々は,ハンケル作用素内のマルコフパラメータを利用するLTIシステムに対して,HOPEと呼ばれる新しいパラメータ化手法を開発した。我々の新しいパラメータ化は、固定時間ウィンドウ内に非遅延メモリを付与し、パッドドノイズのあるシーケンシャルCIFAR-10タスクによって実証的に相関する。
論文参考訳（メタデータ） (2024-05-22T20:20:14Z)
Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction [3.9681863841849623]
我々はMR画像とエッジの両方に固有の個別正規化器を組み込むだけでなく、協調正規化器を強制してそれらの相関を効果的に確立するジョイントエッジ最適化モデルを構築した。具体的には、エッジ情報を非エッジ確率マップで定義し、最適化プロセス中に画像再構成を誘導する。一方、画像やエッジに関連するレギュレータは、それぞれ固有のアプリオリ情報を自動的に学習するために、深く展開するネットワークに組み込まれる。
論文参考訳（メタデータ） (2024-05-09T05:51:33Z)
Optimization-Based Deep learning methods for Magnetic Resonance Imaging Reconstruction and Synthesis [0.0]
この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
論文参考訳（メタデータ） (2023-03-02T18:59:44Z)
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)
Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
論文参考訳（メタデータ） (2021-11-15T05:41:12Z)
Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset [2.2366638308792735]
MPIは、医療応用の可能性を継続的に増加させている。これらの応用における性能向上の前提条件は、画像再構成問題に対する適切な解法である。本稿では,ディープニューラルネットワークによる解の表現を基盤とした,より深い画像に基づく新しい再構成手法について検討する。
論文参考訳（メタデータ） (2020-07-03T10:13:10Z)

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。