論文の概要: Flow-Guided Implicit Neural Representation for Motion-Aware Dynamic MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2511.16948v1
- Date: Fri, 21 Nov 2025 04:51:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:18.887211
- Title: Flow-Guided Implicit Neural Representation for Motion-Aware Dynamic MRI Reconstruction
- Title（参考訳）: 運動認識型動的MRI再構成のためのフローガイド型インプシットニューラル表現法
- Authors: Baoqing Li, Yuanyuan Liu, Congcong Liu, Qingyong Zhu, Jing Cheng, Yihang Zhou, Hao Chen, Zhuo-Xu Cui, Dong Liang,
- Abstract要約: 動的磁気共鳴イメージング(dMRI)は解剖学的に時間分解されるが、限られたサンプリングや運動によって引き起こされるアーティファクトによってしばしば挑戦される。
本研究では,動的画像列とその基盤となる運動場を協調的にモデル化する,新しい暗黙的ニューラル表現フレームワークを提案する。
動的心臓MRIデータセットの実験により、この手法は最先端のモーションインスパイアされた深層学習手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 19.66198868468091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic magnetic resonance imaging (dMRI) captures temporally-resolved anatomy but is often challenged by limited sampling and motion-induced artifacts. Conventional motion-compensated reconstructions typically rely on pre-estimated optical flow, which is inaccurate under undersampling and degrades reconstruction quality. In this work, we propose a novel implicit neural representation (INR) framework that jointly models both the dynamic image sequence and its underlying motion field. Specifically, one INR is employed to parameterize the spatiotemporal image content, while another INR represents the optical flow. The two are coupled via the optical flow equation, which serves as a physics-inspired regularization, in addition to a data consistency loss that enforces agreement with k-space measurements. This joint optimization enables simultaneous recovery of temporally coherent images and motion fields without requiring prior flow estimation. Experiments on dynamic cardiac MRI datasets demonstrate that the proposed method outperforms state-of-the-art motion-compensated and deep learning approaches, achieving superior reconstruction quality, accurate motion estimation, and improved temporal fidelity. These results highlight the potential of implicit joint modeling with flow-regularized constraints for advancing dMRI reconstruction.
- Abstract（参考訳）: 動的磁気共鳴イメージング(dMRI)は、時間分解された解剖を捉えるが、限られたサンプリングと運動によって引き起こされるアーティファクトによってしばしば挑戦される。
従来の動作補償型再構成は、通常、推定された光の流れに依存し、アンダーサンプリングでは不正確であり、復元品質を低下させる。
本研究では,動的画像列とその基盤となる運動場を共同でモデル化する新しい暗黙的ニューラル表現(INR)フレームワークを提案する。
具体的には、1つのINRが時空間画像のパラメータ化に使われ、もう1つのINRが光の流れを表す。
2つの方程式は、物理に着想を得た正則化として機能する光流方程式と、k空間測定との一致を強制するデータの整合性損失によって結合される。
この共同最適化により、事前のフロー推定を必要とせず、時間的コヒーレントな画像と運動場の同時回復が可能となる。
動的心MRIデータセットを用いた実験により, 提案手法は最先端の動作補償と深層学習の手法より優れ, 再現性の向上, 正確な動作推定, 時間的忠実度の向上を実現している。
これらの結果から,dMRI再建に向けた流れ規則化制約を用いた暗黙の関節モデリングの可能性が示唆された。
関連論文リスト
- Non-rigid Motion Correction for MRI Reconstruction via Coarse-To-Fine Diffusion Models [2.8189656701789816]
モーションアーティファクトは診断ユーティリティ、特にダイナミックイメージングに妥協する可能性がある。
そこで本稿では, ベスパイク拡散モデルを用いて, 動乱k空間データを共同で再構成し, 補正する, 交代最小化フレームワークを提案する。
実世界の心臓MRIデータセットと複雑なシミュレートされた剛性変形と非剛性変形の両方に対して,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-05-21T03:27:21Z) - 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) - Dynamic-Aware Spatio-temporal Representation Learning for Dynamic MRI Reconstruction [8.092490306154673]
InRに基づく動的MRI再構成モデルであるDynamic-Aware INR (DA-INR)を提案する。
画像領域におけるダイナミックMRIデータの空間的・時間的連続性を捉え、データの時間的冗長性をモデル構造に明示的に組み込む。
その結果、DA-INRは極端アンサンプ比でも復元品質で他のモデルより優れる。
論文 参考訳（メタデータ） (2025-01-15T12:11:33Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Diffusion Modeling with Domain-conditioned Prior Guidance for
Accelerated MRI and qMRI Reconstruction [3.083408283778178]
本研究では,ネイティブデータ領域に条件付き拡散モデルに基づく画像再構成手法を提案する。
提案手法は,特に加速係数の高い画像の再構成において,有意義な可能性を証明している。
論文 参考訳（メタデータ） (2023-09-02T01:33:50Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - Spatiotemporal implicit neural representation for unsupervised dynamic
MRI reconstruction [11.661657147506519]
Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。
本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。
提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
論文 参考訳（メタデータ） (2022-12-31T05:43:21Z) - Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文 参考訳（メタデータ） (2022-04-05T20:28:42Z) - 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) - 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。