論文の概要: PINGS-X: Physics-Informed Normalized Gaussian Splatting with Axes Alignment for Efficient Super-Resolution of 4D Flow MRI
- arxiv url: http://arxiv.org/abs/2511.11048v1
- Date: Fri, 14 Nov 2025 08:01:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.489761
- Title: PINGS-X: Physics-Informed Normalized Gaussian Splatting with Axes Alignment for Efficient Super-Resolution of 4D Flow MRI
- Title（参考訳）: PINGS-X: 4D Flow MRIの高分解能化のための軸アライメントを用いた物理インフォーム正規化ガウス切削法
- Authors: Sun Jo, Seok Young Hong, JinHyun Kim, Seungmin Kang, Ahjin Choi, Don-Gwan An, Simon Song, Je Hyeong Hong,
- Abstract要約: 4D Flow MRIは狭窄や動脈瘤などの重要な疾患に対して高分解能を必要とする。
近年の研究では,超高分解能MRIデータに物理インフォームドニューラルネットワークを応用しているが,実用性は限られている。
軸整列ガウス表現を用いた高分解能流れ速度をモデル化する新しいフレームワークであるPINGS-Xを提案する。
- 参考スコア（独自算出の注目度）: 4.233023129369643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 4D flow magnetic resonance imaging (MRI) is a reliable, non-invasive approach for estimating blood flow velocities, vital for cardiovascular diagnostics. Unlike conventional MRI focused on anatomical structures, 4D flow MRI requires high spatiotemporal resolution for early detection of critical conditions such as stenosis or aneurysms. However, achieving such resolution typically results in prolonged scan times, creating a trade-off between acquisition speed and prediction accuracy. Recent studies have leveraged physics-informed neural networks (PINNs) for super-resolution of MRI data, but their practical applicability is limited as the prohibitively slow training process must be performed for each patient. To overcome this limitation, we propose PINGS-X, a novel framework modeling high-resolution flow velocities using axes-aligned spatiotemporal Gaussian representations. Inspired by the effectiveness of 3D Gaussian splatting (3DGS) in novel view synthesis, PINGS-X extends this concept through several non-trivial novel innovations: (i) normalized Gaussian splatting with a formal convergence guarantee, (ii) axes-aligned Gaussians that simplify training for high-dimensional data while preserving accuracy and the convergence guarantee, and (iii) a Gaussian merging procedure to prevent degenerate solutions and boost computational efficiency. Experimental results on computational fluid dynamics (CFD) and real 4D flow MRI datasets demonstrate that PINGS-X substantially reduces training time while achieving superior super-resolution accuracy. Our code and datasets are available at https://github.com/SpatialAILab/PINGS-X.
- Abstract（参考訳）: 4D Flow magnetic resonance imaging (MRI)は、循環速度を推定するための信頼性の高い非侵襲的アプローチであり、心臓血管の診断に不可欠である。
解剖学的構造に焦点を当てた従来のMRIとは異なり、4D Flow MRIは狭窄や動脈瘤などの重要な疾患を早期に検出するために高い時空間分解能を必要とする。
しかし、そのような解決を達成すると、典型的にはスキャン時間が長くなり、取得速度と予測精度のトレードオフが生じる。
近年の研究では,MRIデータの超高分解能化に物理情報ニューラルネットワーク(PINN)を活用している。
この制限を克服するために、軸整列時空間ガウス表現を用いた高分解能流れ速度をモデル化する新しいフレームワークPINGS-Xを提案する。
新規視点合成における3Dガウススプラッティング(3DGS)の有効性に触発されて、PINGS-Xはこの概念をいくつかの非自明な革新を通して拡張した。
(i)形式収束保証付き正規化ガウススプラッティング
(二)精度と収束保証を保ちながら高次元データの訓練を簡易化する軸整列ガウス
3) 解の退化を防止し、計算効率を向上するガウスの解法。
計算流体力学(CFD)と実4次元フローMRIデータセットの実験結果から、PINGS-Xはトレーニング時間を大幅に短縮し、高精度な超解像精度を実現していることが示された。
私たちのコードとデータセットはhttps://github.com/SpatialAILab/PINGS-X.comで公開されています。
関連論文リスト
- From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳（メタデータ） (2025-08-13T17:56:29Z) - Localized FNO for Spatiotemporal Hemodynamic Upsampling in Aneurysm MRI [7.787686784329426]
Localized Operator (LoFNO) は空間分解能と時間分解能を両立させる新しい3Dアーキテクチャである。
LoFNOは臨床画像データから直接壁せん断応力を予測する。
論文 参考訳（メタデータ） (2025-07-18T10:00:38Z) - X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。
新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
論文 参考訳（メタデータ） (2025-03-27T17:59:57Z) - Deep learning for temporal super-resolution 4D Flow MRI [34.90138772411514]
本研究の目的は,時間的超解像4D Flow MRIのための残像ネットワークの実装と評価である。
患者固有のシリコモデル由来の合成4次元フローMRIデータと、in-vivoデータセットを用いてトレーニングおよび試験を行った。
以上の結果から, 時空間超解像4次元フローMRIにおけるデータ駆動型ニューラルネットワークの有用性が示唆された。
論文 参考訳（メタデータ） (2025-01-15T13:01:47Z) - 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。
高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。
4DRGSは5分間のトレーニングで印象的な結果を得る。
論文 参考訳（メタデータ） (2024-12-17T13:51:56Z) - 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) - Implicit neural representations for unsupervised super-resolution and
denoising of 4D flow MRI [1.207455285737927]
大動脈内3方向速度の時間変化に対するSIRENの4次元フローMRIによる検討を行った。
本手法をボクセル座標で訓練し, 合成計測と実際の4次元フローMRIによるアプローチをベンチマークした。
我々の最適化されたSIRENアーキテクチャは最先端技術より優れており、臨床データから解離・超解離速度場を生成する。
論文 参考訳（メタデータ） (2023-02-24T08:42:04Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Deep variational network for rapid 4D flow MRI reconstruction [0.5156484100374058]
長い生体内スキャンタイムは、データ相関を利用する加速イメージング技術を必要とする。
本稿では,効率的なモデルベースディープニューラルネットワークを提案する。
ネットワークは、標準の消費者向けハードウェア上で、アンサンプされた4DフローMRIデータを1分以内で再構築する。
論文 参考訳（メタデータ） (2020-04-20T20:17:49Z) - 4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and
Computational Fluid Dynamics [0.0795451369160375]
画像解像度の上昇は、特に異常な血流を持つ患者において、より正確で、血流のより良い評価を可能にする。
計算流体力学シミュレーションを用いて, 合成4次元フローMRIデータを生成する。
我々の新しい4DFlowNetネットワークは, この合成4Dフローデータをトレーニングし, 2。
論文 参考訳（メタデータ） (2020-04-15T12:16:52Z)
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。