論文の概要: HULFSynth : An INR based Super-Resolution and Ultra Low-Field MRI Synthesis via Contrast factor estimation

• arxiv url: http://arxiv.org/abs/2511.14897v1
• Date: Tue, 18 Nov 2025 20:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.518567
• Title: HULFSynth : An INR based Super-Resolution and Ultra Low-Field MRI Synthesis via Contrast factor estimation
• Title（参考訳）: HULFSynth : コントラスト因子推定によるINRによる超解像と超低磁場MRI合成
• Authors: Pranav Indrakanti, Ivor Simpson,
• Abstract要約: 教師なし単一画像双方向磁気共鳴画像(MRI)合成器を提案する。 ウルトラローフィールド(ULF)のような画像は、HF(High-Field)等級の画像と、その逆の画像から合成する。 我々のアプローチは、HFとULFMRIのコントラスト変化を駆動する物理にインスパイアされている。
• 参考スコア（独自算出の注目度）: 0.20434955508889785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an unsupervised single image bidirectional Magnetic Resonance Image (MRI) synthesizer that synthesizes an Ultra-Low Field (ULF) like image from a High-Field (HF) magnitude image and vice-versa. Unlike existing MRI synthesis models, our approach is inspired by the physics that drives contrast changes between HF and ULF MRIs. Our forward model simulates a HF to ULF transformation by estimating the tissue-type Signal-to-Noise ratio (SNR) values based on target contrast values. For the Super-Resolution task, we used an Implicit Neural Representation (INR) network to synthesize HF image by simultaneously predicting tissue-type segmentations and image intensity without observed HF data. The proposed method is evaluated using synthetic ULF-like data from generated from standard 3T T$_1$-weighted images for qualitative assessments and paired 3T-64mT T$_1$-weighted images for validation experiments. WM-GM contrast improved by 52% in synthetic ULF-like images and 37% in 64mT images. Sensitivity experiments demonstrated the robustness of our forward model to variations in target contrast, noise and initial seeding.
• Abstract（参考訳）: 本稿では,HF(High-Field)等級画像と逆反転画像からウルトラローフィールド(ULF)のようなイメージを合成する,教師なし単方向磁気共鳴画像(MRI)合成器を提案する。 既存のMRI合成モデルとは異なり、我々のアプローチはHFとULFのMRIのコントラスト変化を駆動する物理にインスパイアされている。 我々のフォワードモデルは、目標コントラスト値に基づいて組織型信号-雑音比(SNR)値を推定することにより、HFからULFへの変換をシミュレートする。 超解法タスクでは,組織型セグメンテーションと画像強度を同時に予測してHF画像の合成にインプリシットニューラルネットワーク(INR)を用いた。 提案手法は,定性評価のための標準3T T$_1$-weighted画像と,検証実験のためのペア3T-64mT T$_1$-weighted画像から生成したULFライクなデータを用いて評価する。 WM-GMのコントラストは、ULFのような合成画像では52%、64mT画像では37%向上した。 感度実験は, 目標コントラスト, ノイズ, 初期シードの変動に対する前方モデルの頑健さを実証した。

関連論文リスト

• Enhancing Cross-Modality Synthesis: Subvolume Merging for MRI-to-CT Conversion [4.256879489558776]
  我々は,MRI画像からCTを合成するために,高度なSwinUNETRフレームワークを使用している。 予測過程に3次元サブボリュームマージ手法を導入する。
  論文  参考訳（メタデータ） (2024-09-09T18:25:26Z)
• 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)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Synthetic CT Generation from MRI using 3D Transformer-based Denoising Diffusion Model [2.232713445482175]
  磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。 本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T00:32:00Z)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis [1.9632065069564202]
  クロスモダリティMRI合成のためのサイクル誘導拡散確率モデル(CG-DDPM) 2つのDDPMが互いに条件付きで、2つの異なるMRIパルスシーケンスから合成画像を生成する。 2つのDDPMは、逆のプロセスでランダム潜時ノイズを交換し、DDPMを正規化し、2つのモードで一致する画像を生成するのに役立つ。
  論文  参考訳（メタデータ） (2023-04-28T18:28:54Z)
• High-fidelity Direct Contrast Synthesis from Magnetic Resonance Fingerprinting [28.702553164811473]
  本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。 In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
  論文  参考訳（メタデータ） (2022-12-21T07:11:39Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• MR-Contrast-Aware Image-to-Image Translations with Generative Adversarial Networks [5.3580471186206005]
  MR取得パラメータの反復時間とエコー時間に基づいて,画像から画像へ生成する敵ネットワークを訓練する。 提案手法はピーク信号対雑音比と24.48と0.66の構造的類似性を示し,ピクセルベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-04-03T17:05:13Z)

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。