論文の概要: On The Role of K-Space Acquisition in MRI Reconstruction Domain-Generalization

• arxiv url: http://arxiv.org/abs/2512.06530v1
• Date: Sat, 06 Dec 2025 18:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.398239
• Title: On The Role of K-Space Acquisition in MRI Reconstruction Domain-Generalization
• Title（参考訳）: MRI再構成領域の一般化におけるK空間獲得の役割について
• Authors: Mohammed Wattad, Tamir Shor, Alex Bronstein,
• Abstract要約: 学習したk空間サンプリングの利点がトレーニング領域を超えて拡張できることを示し、ドメインシフト下での再構築性能が向上することを示した。 そこで本研究では,k空間軌跡のゆらぎのトレーニング中に,スキャナや撮像条件の変動をシミュレートし,領域のロバスト性を向上する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has established learned k-space acquisition patterns as a promising direction for improving reconstruction quality in accelerated Magnetic Resonance Imaging (MRI). Despite encouraging results, most existing research focuses on acquisition patterns optimized for a single dataset or modality, with limited consideration of their transferability across imaging domains. In this work, we demonstrate that the benefits of learned k-space sampling can extend beyond the training domain, enabling superior reconstruction performance under domain shifts. Our study presents two main contributions. First, through systematic evaluation across datasets and acquisition paradigms, we show that models trained with learned sampling patterns exhibitimproved generalization under cross-domain settings. Second, we propose a novel method that enhances domain robustness by introducing acquisition uncertainty during training-stochastically perturbing k-space trajectories to simulate variability across scanners and imaging conditions. Our results highlight the importance of treating kspace trajectory design not merely as an acceleration mechanism, but as an active degree of freedom for improving domain generalization in MRI reconstruction.
• Abstract（参考訳）: 近年の研究では、MRI(Accelerated Magnetic Resonance Imaging)における再構成品質向上に向けて、学習k空間取得パターンを確立している。 奨励的な結果にもかかわらず、既存のほとんどの研究は、単一のデータセットやモダリティに最適化された取得パターンに焦点を当てており、画像領域間での転送可能性に制限がある。 本研究は,学習したk空間サンプリングの利点がトレーニング領域を超えて拡張できることを示し,ドメインシフト下での再構築性能を向上する。 本研究の主な貢献は2つある。 まず、データセットと取得パラダイムの体系的評価により、学習されたサンプリングパターンで訓練されたモデルが、クロスドメイン設定下での一般化を実証したことを示す。 第2に,スキャナと撮像条件間の変動をシミュレートするk空間軌道のトレーニング中に,取得の不確実性を導入することにより,ドメインの堅牢性を向上する手法を提案する。 以上の結果から,kspace trajectory 設計を加速機構としてだけでなく,MRI 再構成における領域一般化の活発な自由度として扱うことの重要性が示唆された。

関連論文リスト

• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Self-Supervised k-Space Regularization for Motion-Resolved Abdominal MRI Using Neural Implicit k-Space Representation [3.829690053412406]
  並列イメージングによる自己整合性(PISCO)の概念を紹介する。 我々は、一貫した近傍関係を強制する自己教師付きk空間正規化を取り入れた。 追加のデータコストがなければ、提案された正規化はシミュレーションデータの暗黙的k空間再構成を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-12T09:31:11Z)
• 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)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• WKGM: Weight-K-space Generative Model for Parallel Imaging Reconstruction [15.555999296521476]
  我々は、フレキシブルPI再構成のためのロバストな生成モデルにより、k空間領域を探索し、ウェイト-k空間生成モデル(WKGM)を提案する。 WKGMは一般化されたk空間領域モデルであり、k空間重み付け技術と高次元空間戦略をスコアベース生成モデルトレーニングに効率的に組み込んで、良質で堅牢な再構成を行う。 種々のサンプリングパターンと加速度係数を持つデータセットの実験結果から、WKGMが最先端の再構築結果を得ることができることが示された。
  論文  参考訳（メタデータ） (2022-05-08T14:28:20Z)
• 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)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。