論文の概要: Unsupervised Motion-Compensated Decomposition for Cardiac MRI Reconstruction via Neural Representation
- arxiv url: http://arxiv.org/abs/2511.11436v2
- Date: Mon, 17 Nov 2025 05:14:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:22.679718
- Title: Unsupervised Motion-Compensated Decomposition for Cardiac MRI Reconstruction via Neural Representation
- Title（参考訳）: 神経表現による心臓MRI再建のための教師なし運動補償分解法
- Authors: Xuanyu Tian, Lixuan Chen, Qing Wu, Xiao Wang, Jie Feng, Yuyao Zhang, Hongjiang Wei,
- Abstract要約: MoCo-INRは、暗黙の神経表現(INR)と従来のモーション補償(MoCo)フレームワークを統合する、新しい教師なしの手法である。
明示的な運動モデリングとINRの連続的先行により、MoCo-INRは正確な心臓運動の分解と高品質なCMR再構成を実現できる。
- 参考スコア（独自算出の注目度）: 22.258006903991404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac magnetic resonance (CMR) imaging is widely used to characterize cardiac morphology and function. To accelerate CMR imaging, various methods have been proposed to recover high-quality spatiotemporal CMR images from highly undersampled k-t space data. However, current CMR reconstruction techniques either fail to achieve satisfactory image quality or are restricted by the scarcity of ground truth data, leading to limited applicability in clinical scenarios. In this work, we proposed MoCo-INR, a new unsupervised method that integrates implicit neural representations (INR) with the conventional motion-compensated (MoCo) framework. Using explicit motion modeling and the continuous prior of INRs, MoCo-INR can produce accurate cardiac motion decomposition and high-quality CMR reconstruction. Furthermore, we introduce a new INR network architecture tailored to the CMR problem, which significantly stabilizes model optimization. Experiments on retrospective (simulated) datasets demonstrate the superiority of MoCo-INR over state-of-the-art methods, achieving fast convergence and fine-detailed reconstructions at ultra-high acceleration factors (e.g., 20x in VISTA sampling). Additionally, evaluations on prospective (real-acquired) free-breathing CMR scans highlight the clinical practicality of MoCo-INR for real-time imaging. Several ablation studies further confirm the effectiveness of the critical components of MoCo-INR.
- Abstract（参考訳）: 心臓磁気共鳴(CMR)画像は、心臓形態や機能の特徴付けに広く用いられている。
CMR画像の高速化を目的として,高度にアンサンプされたk-t空間データから高画質の時空間CMR像を復元する様々な手法が提案されている。
しかし、現在のCMR再建技術は、良好な画像品質を達成できないか、あるいは地上の真実データの不足によって制限されるかのいずれかであり、臨床シナリオでは適用性に制限がある。
本研究では、暗黙的ニューラル表現(INR)と従来のモーション補償(MoCo)フレームワークを統合する新しい教師なし手法であるMoCo-INRを提案する。
明示的な運動モデリングとINRの連続的先行により、MoCo-INRは正確な心臓運動の分解と高品質なCMR再構成を実現できる。
さらに,CMR問題に適した新しいINRネットワークアーキテクチャを導入し,モデル最適化を大幅に安定化させる。
振り返り(シミュレーション)データセットの実験では、MoCo-INRが最先端手法よりも優れていることが示され、超高加速度因子(例えば、VISTAサンプリングの20倍)での高速収束と詳細な再構成が達成された。
さらに, リアルタイムイメージングにおけるMoCo-INRの臨床的有用性を明らかにするために, 将来的な(リアルタイムに取得した)自由呼吸型CMRスキャンの評価を行った。
いくつかのアブレーション研究は、MoCo-INRの臨界成分の有効性をさらに確認した。
関連論文リスト
- Self-supervised Deep Unrolled Model with Implicit Neural Representation Regularization for Accelerating MRI Reconstruction [19.419634295527974]
MRI再構成の高速化は、アンダーサンプリングされたk空間測定から高忠実度MR画像の再構成によってこの問題に対処する。
本稿では、外部トレーニングデータなしでスキャン固有のMRI再構成を可能にする、UnrollINRという新しいゼロショット自己教師型再構成手法を提案する。
論文 参考訳（メタデータ） (2025-10-08T03:40:40Z) - HyperCMR: Enhanced Multi-Contrast CMR Reconstruction with Eagle Loss [0.0]
HyperCMRは、心臓磁気共鳴(CMR)画像の再構築を促進するために設計された新しいフレームワークである。
CMRxRecon2024チャレンジデータセットで実施された実験は、HyperCMRがベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2024-10-04T17:29:38Z) - TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [8.301957310590712]
本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。
Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。
実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-11T06:31:56Z) - Cine cardiac MRI reconstruction using a convolutional recurrent network
with refinement [9.173298795526152]
心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。
これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。
提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
論文 参考訳（メタデータ） (2023-09-23T14:07:04Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - 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) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳（メタデータ） (2022-03-08T02:25:38Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z)
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。