論文の概要: Simultaneous Image Quality Improvement and Artefacts Correction in Accelerated MRI

• arxiv url: http://arxiv.org/abs/2511.23274v1
• Date: Fri, 28 Nov 2025 15:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.96115
• Title: Simultaneous Image Quality Improvement and Artefacts Correction in Accelerated MRI
• Title（参考訳）: 加速度MRIにおける画像品質改善とアーチファクト補正
• Authors: Georgia Kanli, Daniele Perlo, Selma Boudissa, Radovan Jirik, Olivier Keunen,
• Abstract要約: ノイズや動きのアーチファクトを同時に補正したアンダーサンプルデータから高品質な画像を復元する手法を提案する。 その結果,画像の信号対雑音比とコントラストの顕著な増加が認められた。
• 参考スコア（独自算出の注目度）: 0.013270088653356417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: MR data are acquired in the frequency domain, known as k-space. Acquiring high-quality and high-resolution MR images can be time-consuming, posing a significant challenge when multiple sequences providing complementary contrast information are needed or when the patient is unable to remain in the scanner for an extended period of time. Reducing k-space measurements is a strategy to speed up acquisition, but often leads to reduced quality in reconstructed images. Additionally, in real-world MRI, both under-sampled and full-sampled images are prone to artefacts, and correcting these artefacts is crucial for maintaining diagnostic accuracy. Deep learning methods have been proposed to restore image quality from under-sampled data, while others focused on the correction of artefacts that result from the noise or motion. No approach has however been proposed so far that addresses both acceleration and artefacts correction, limiting the performance of these models when these degradation factors occur simultaneously. To address this gap, we present a method for recovering high-quality images from under-sampled data with simultaneously correction for noise and motion artefact called USArt (Under-Sampling and Artifact correction model). Customized for 2D brain anatomical images acquired with Cartesian sampling, USArt employs a dual sub-model approach. The results demonstrate remarkable increase of signal-to-noise ratio (SNR) and contrast in the images restored. Various under-sampling strategies and degradation levels were explored, with the gradient under-sampling strategy yielding the best outcomes. We achieved up to 5x acceleration and simultaneously artefacts correction without significant degradation, showcasing the model's robustness in real-world settings.
• Abstract（参考訳）: MRデータはk空間として知られる周波数領域で取得される。 高品質で高解像度のMR画像の取得には時間を要する可能性があり、相補的なコントラスト情報を提供する複数のシーケンスが必要な場合や、患者が長期間スキャナーに留まることができない場合は大きな課題となる。 k空間計測の削減は、取得を高速化する戦略であるが、しばしば再構成された画像の品質を低下させる。 さらに、現実世界のMRIでは、アンダーサンプル画像とフルサンプル画像の両方がアーティファクトになりがちであり、これらのアーティファクトの修正は診断精度を維持するために不可欠である。 アンダーサンプルデータから画像品質を復元する深層学習法が提案されている一方で,ノイズや動きによって生じるアーチファクトの補正に焦点が当てられているものもある。 しかしながら、これらの劣化要因が同時に発生する場合、これらのモデルの性能を制限し、加速とアーチファクトの補正の両方に対処するアプローチは提案されていない。 このギャップを解消するために,USArt(Under-Sampling and Artifact correct model)と呼ばれるノイズや動きのアーチファクトを同時に補正し,アンダーサンプリングデータから高品質な画像を復元する手法を提案する。 カルテシアンサンプリングで得られた2次元脳解剖画像のためにカスタマイズされたUSArtは、デュアルサブモデルアプローチを採用している。 その結果,信号対雑音比(SNR)が著しく増加し,画像のコントラストが回復した。 様々なアンダーサンプリング戦略と劣化レベルが検討され、アンダーサンプリング戦略が最良の結果となった。 実世界の環境におけるモデルの堅牢性を示すため, 最大5倍の加速を実現し, 同時にアーチファクトの補正を行った。

関連論文リスト

• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• Muographic Image Upsampling with Machine Learning for Built Infrastructure Applications [2.983520467199724]
  非侵襲イメージング技術であるミューグラフィーは、宇宙線ミューオンの相互作用を検出することによって三次元密度マップを構築する。 宇宙線ミューオンは、その高いモーメントと天然資源のために、深く浸透し、固有の安全を提供する。 しかし、この技術はムーンフラックスに制約を課し、長期の取得に繋がる。 これらの制約に対処する2モデル深層学習手法を開発した。
  論文  参考訳（メタデータ） (2025-02-04T14:37:37Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction [7.532638301149741]
  磁気共鳴イメージング(MRI)の最重要課題は、取得時間短縮と運動アーティファクトの減少である 深層学習に基づく画像復元は、高分解能かつモーションアーティファクトのないMRI画像を生成するための有望なソリューションとして登場した。 本研究では, 擬似3次元MRI画像の超解像再構成(SRR)と動きアーチファクト縮小(MAR)のための統合された2次元ディープラーニングフレームワークを採用した。 ネットワークの精度は画素ワイドの不確実性マップを用いて評価し、最先端の手法に対して性能をベンチマークした。
  論文  参考訳（メタデータ） (2021-11-28T22:58:00Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• ReconResNet: Regularised Residual Learning for MR Image Reconstruction of Undersampled Cartesian and Radial Data [0.3694429692322631]
  データの一部(アンダーサンプリング)を無視して取得速度を上げることができる これにより、解像度の低下や画像アーティファクトの導入など、画質が劣化する。 深層学習は研究の非常に重要な分野として現れ、逆問題の解決に大きな可能性を示してきました。
  論文  参考訳（メタデータ） (2021-03-16T17:24:30Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)

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。