論文の概要: SDUM: A Scalable Deep Unrolled Model for Universal MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2512.17137v1
- Date: Fri, 19 Dec 2025 00:09:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-22 19:25:54.204611
- Title: SDUM: A Scalable Deep Unrolled Model for Universal MRI Reconstruction
- Title（参考訳）: SDUM:Universal MRI再構成のためのスケーラブル・ディープ・アンロールド・モデル
- Authors: Puyang Wang, Pengfei Guo, Keyi Chai, Jinyuan Zhou, Daguang Xu, Shanshan Jiang,
- Abstract要約: Scalable Deep Unrolled Model (SDUM) は、Restormerベースの再構成器と学習されたコイル感度マップ推定器を組み合わせた普遍的なフレームワークである。
不均一なデータに基づいてトレーニングされた単一のSDUMは、4つのCMRxRecon2025課題すべてに対して最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 12.71974212207688
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical MRI encompasses diverse imaging protocols--spanning anatomical targets (cardiac, brain, knee), contrasts (T1, T2, mapping), sampling patterns (Cartesian, radial, spiral, kt-space), and acceleration factors--yet current deep learning reconstructions are typically protocol-specific, hindering generalization and deployment. We introduce Scalable Deep Unrolled Model (SDUM), a universal framework combining a Restormer-based reconstructor, a learned coil sensitivity map estimator (CSME), sampling-aware weighted data consistency (SWDC), universal conditioning (UC) on cascade index and protocol metadata, and progressive cascade expansion training. SDUM exhibits foundation-model-like scaling behavior: reconstruction quality follows PSNR ${\sim}$ log(parameters) with correlation $r{=}0.986$ ($R^2{=}0.973$) up to 18 cascades, demonstrating predictable performance gains with model depth. A single SDUM trained on heterogeneous data achieves state-of-the-art results across all four CMRxRecon2025 challenge tracks--multi-center, multi-disease, 5T, and pediatric--without task-specific fine-tuning, surpassing specialized baselines by up to ${+}1.0$~dB. On CMRxRecon2024, SDUM outperforms the winning method PromptMR+ by ${+}0.55$~dB; on fastMRI brain, it exceeds PC-RNN by ${+}1.8$~dB. Ablations validate each component: SWDC ${+}0.43$~dB over standard DC, per-cascade CSME ${+}0.51$~dB, UC ${+}0.38$~dB. These results establish SDUM as a practical path toward universal, scalable MRI reconstruction.
- Abstract（参考訳）: 臨床MRIには、解剖学的ターゲット(心臓、脳、膝)、コントラスト(T1、T2、マッピング)、サンプリングパターン(カルテシアン、ラジアル、スパイラル、kt空間)、アクセラレーションファクターなど、さまざまなイメージングプロトコルが含まれています。
本稿では,Restormerベースの再構成器,学習コイル感度マップ推定器(CSME),サンプリング対応重み付きデータ一貫性(SWDC),カスケードインデックスとプロトコルメタデータのユニバーサルコンディショニング(UC),プログレッシブカスケード拡張トレーニングを組み合わせたユニバーサルフレームワークである,スケーラブルディープアンロールドモデル(SDUM)を紹介する。
SDUMは、基礎モデルのようなスケーリングの振る舞いを示す: 再構築品質は、PSNR ${\sim}$ log(parameters)に、相関$r{=}0.986$$$R^2{=}0.973$)を18のカスケードまで与え、モデル深さによる予測可能なパフォーマンス向上を示す。
不均一なデータに基づいてトレーニングされた単一のSDUMは、CMRxRecon2025の4つの課題トラック(マルチセンタ、マルチディスリーズ、5T、小児科)すべてにまたがる最先端の成果を達成し、タスク固有の微調整なしで、最大${+}1.0$~dBで特別なベースラインを超える。
CMRxRecon2024では、SDUMは勝利法PromptMR+を${+}0.55$~dBで上回り、高速MRI脳では${+}1.8$~dBでPC-RNNを上回る。
SWDC ${+}0.43$~dB over standard DC, per-cascade CSME ${+}0.51$~dB, UC ${+}0.38$~dB。
これらの結果から,SDUMは普遍的,スケーラブルなMRI再構成への実践的経路として確立された。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - NPB-REC: A Non-parametric Bayesian Deep-learning Approach for Undersampled MRI Reconstruction with Uncertainty Estimation [2.6089354079273512]
NPB-RECは不確実性推定を伴うアンダーサンプルデータからのMRI再構成のための非パラメトリックフレームワークである。
トレーニング中に、ネットワークパラメータの後方分布を特徴付けるために、グラディエント・ランゲヴィン・ダイナミクス(Gradient Langevin Dynamics)を用いる。
提案手法は,PSNRとSSIMを用いて再現精度において,ベースラインよりも優れている。
論文 参考訳（メタデータ） (2024-04-06T08:25:33Z) - Exploring contrast generalisation in deep learning-based brain MRI-to-CT
synthesis [0.0]
MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。
ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
論文 参考訳（メタデータ） (2023-03-17T18:45:05Z) - NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based
MRI Reconstruction from Undersampled Data [0.0]
深層学習(DL)に基づく画像再構成モデルにおける不確かさの定量化は、信頼性の高い臨床的意思決定に不可欠である。
我々は、アンサンプされた「k空間」データからMRI再構成における不確実性評価のための非パラメトリックフレームワーク「NPB-REC」を紹介する。
論文 参考訳（メタデータ） (2022-08-08T08:22:25Z) - Posterior Coreset Construction with Kernelized Stein Discrepancy for
Model-Based Reinforcement Learning [78.30395044401321]
我々は、強化学習(MBRL)のための新しいモデルベースアプローチを開発する。
ターゲット遷移モデルの仮定を緩和し、混合モデルの一般的な族に属する。
連続的な制御環境では、壁時計の時間を最大50%削減することができる。
論文 参考訳（メタデータ） (2022-06-02T17:27:49Z) - Assessment of Data Consistency through Cascades of Independently
Recurrent Inference Machines for fast and robust accelerated MRI
reconstruction [0.0]
データ一貫性(DC)は多モードデータの一般化と病理診断における堅牢性に不可欠である。
本研究は、非ループ最適化によりDCを評価するために、CIRIM (Independently Recurrent Inference Machines) のカスケードを提案する。
E2EVNは直流を明示的に定式化する必要があるのに対し、直流を暗黙的に強制する場合はCIRIMが最善であることを示す。
論文 参考訳（メタデータ） (2021-11-30T15:34:30Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳（メタデータ） (2021-03-22T05:19:40Z) - Deep Learning Estimation of Multi-Tissue Constrained Spherical
Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。
2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。
繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
論文 参考訳（メタデータ） (2020-02-20T15:59:03Z)
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。