論文の概要: GACELLE: GPU-accelerated tools for model parameter estimation and image reconstruction

• arxiv url: http://arxiv.org/abs/2511.22094v1
• Date: Thu, 27 Nov 2025 04:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.388534
• Title: GACELLE: GPU-accelerated tools for model parameter estimation and image reconstruction
• Title（参考訳）: GACELLE: モデルパラメータ推定と画像再構成のためのGPUアクセラレーションツール
• Authors: Kwok-Shing Chan, Hansol Lee, Yixin Ma, Berkin Bilgic, Susie Y. Huang, Hong-Hsi Lee, José P. Marques,
• Abstract要約: 我々は,qMRI解析のためのオープンソースGPUアクセラレーションフレームワークであるGACELLEを提案する。 GACELLEは勾配降下オプティマイザと空間サンプルをバックエンドで提供する。 パラメータの精度を改善し、テスト再テストを強化し、定量的マップのノイズを低減する。
• 参考スコア（独自算出の注目度）: 1.0850008795015835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantitative MRI (qMRI) offers tissue-specific biomarkers that can be tracked over time or compared across populations; however, its adoption in clinical research is hindered by significant computational demands of parameter estimation. Images acquired at high spatial resolution or requiring fitting multiple parameters often require lengthy processing time, constraining their use in routine pipelines and slowing methodological innovation and clinical translation. We present GACELLE, an open source, GPU-accelerated framework for high-throughput qMRI analysis. GACELLE provides a stochastic gradient descent optimiser and a stochastic sampler in MATLAB, enabling fast parameter mapping, improved estimation robustness via spatial regularisation, and uncertainty quantification. GACELLE prioritises accessibility: users only need to provide a forward signal model, while GACELLE's backend manages computational parallelisation, automatic parameter updates, and memory-batching. The stochastic solver performs fully vectorised Markov chain Monte Carlo with identical likelihood on CPU and GPU, ensuring reproducibility across hardware. Benchmarking demonstrates up to 451-fold acceleration for the stochastic gradient descent solver and 14,380-fold acceleration for stochastic sampling compared to CPU-based estimation, without compromising accuracy. We demonstrated GACELLE's versatility on three representative qMRI models and on an image reconstruction task. Across these applications, GACELLE improves parameter precision, enhances test-retest reproducibility, and reduces noise in quantitative maps. By combining speed, usability and flexibility, GACELLE provides a generalisable optimisation framework for medical image analysis. It lowers the computational barrier for qMRI, paving the way for reproducible biomarker development, large-scale imaging studies, and clinical translation.
• Abstract（参考訳）: 定量的MRI(qMRI)は、時間とともに追跡したり、集団間で比較したりできる組織特異的バイオマーカーを提供するが、臨床研究におけるその採用は、パラメータ推定のかなりの計算的要求によって妨げられている。 高空間分解能で取得された画像や複数のパラメータを適合させる必要のある画像は、しばしば長い処理時間を必要とし、定期的なパイプラインでの使用を制限し、方法論的な革新と臨床翻訳を遅らせる。 我々は,高スループットqMRI解析のためのオープンソースGPUアクセラレーションフレームワークであるGACELLEを提案する。 GACELLEはMATLABにおける確率勾配降下オプティマイザと確率勾配降下オプティマイザを提供し、高速パラメータマッピング、空間正規化による評価堅牢性の向上、不確実性定量化を実現している。 GACELLEはアクセシビリティを優先する: ユーザはフォワードシグナルモデルのみを提供する必要があり、GACELLEのバックエンドは計算並列化、自動パラメータ更新、メモリバッチを管理する。 確率分解器は、CPUとGPUで同一の確率で完全にベクトル化されたマルコフ連鎖モンテカルロを実行し、ハードウェア間で再現性を確保する。 ベンチマークでは、確率勾配降下解器の最大451倍加速と確率サンプリングの14,380倍加速をCPUベース推定と比較し、精度を損なうことなく示す。 我々は、3つの代表的qMRIモデルと画像再構成タスクにおいて、GACELLEの汎用性を実証した。 これらのアプリケーション全体で、GACELLEはパラメータの精度を改善し、テスト再テストの再現性を高め、定量的マップのノイズを低減する。 GACELLEは、スピード、ユーザビリティ、柔軟性を組み合わせることで、医用画像解析のための一般化可能な最適化フレームワークを提供する。 これはqMRIの計算障壁を低くし、再現可能なバイオマーカーの開発、大規模イメージング研究、臨床翻訳の道を開く。

関連論文リスト

• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 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)
• Batch-FPM: Random batch-update multi-parameter physical Fourier ptychography neural network [0.933064392528114]
  Fourier Ptychographic Microscopy (FPM) は、大規模視野での高解像度イメージングを可能にする計算イメージング技術である。 本稿では,バッチ更新勾配勾配(SGD)最適化戦略を用いた物理ニューラルネットワークに基づく高速かつ堅牢なFPM再構成手法を提案する。 本手法は,低露光時間暗視野画像などの低信号対雑音比データセットに対しても,コンバージェンス性能が向上する。
  論文  参考訳（メタデータ） (2024-08-25T09:24:18Z)
• 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)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• Scalable Stochastic Parametric Verification with Stochastic Variational Smoothed Model Checking [1.5293427903448025]
  平滑モデル検査 (smMC) は, パラメータ空間全体の満足度関数を, 限られた観測値から推定することを目的としている。 本稿では,確率論的機械学習の最近の進歩を利用して,この限界を推し進める。 構成された満足度関数のスケーラビリティ,計算効率,精度を調べた結果,smMCとSV-smMCの性能を比較した。
  論文  参考訳（メタデータ） (2022-05-11T10:43:23Z)
• Learning the Regularization in DCE-MR Image Reconstruction for Functional Imaging of Kidneys [1.2890174947191904]
  機能的画像マーカーの精度を低下させることなく、MRIアンダーサンプリングアーティファクトを低減するために、単一の訓練されたディープニューラルネットワークを提案する。 提案したアプローチは、CS再構成を用いて推定された基底真理マーカーと高い相関を示す腎臓バイオマーカーである。
  論文  参考訳（メタデータ） (2021-09-15T19:27:53Z)

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。