論文の概要: Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2512.17612v1
• Date: Fri, 19 Dec 2025 14:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.427079
• Title: Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution
• Title（参考訳）: 定量MRIスーパーリゾリューションによる自己監督重み画像の導出
• Authors: Alireza Samadifardheris, Dirk H. J. Poot, Florian Wiesinger, Stefan Klein, Juan A. Hernandez-Tamames,
• Abstract要約: 高分解能 (HR) 定量MRI (qMRI) は, 目的組織の特徴を呈するが, 長期の取得により臨床利用が困難である。 我々は,日常的に取得されたHR強調MRI(wMRI)スキャンをガイダンスとして用いた,qMRI超解像のための物理インフォームド自己教師型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.4757311250629737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution (HR) quantitative MRI (qMRI) relaxometry provides objective tissue characterization but remains clinically underutilized due to lengthy acquisition times. We propose a physics-informed, self-supervised framework for qMRI super-resolution that uses routinely acquired HR weighted MRI (wMRI) scans as guidance, thus, removing the necessity for HR qMRI ground truth during training. We formulate super-resolution as Bayesian maximum a posteriori inference, minimizing two discrepancies: (1) between HR images synthesized from super-resolved qMRI maps and acquired wMRI guides via forward signal models, and (2) between acquired LR qMRI and downsampled predictions. This physics-informed objective allows the models to learn from clinical wMRI without HR qMRI supervision. To validate the concept, we generate training data by synthesizing wMRI guides from HR qMRI using signal equations, then degrading qMRI resolution via k-space truncation. A deep neural network learns the super-resolution mapping. Ablation experiments demonstrate that T1-weighted images primarily enhance T1 maps, T2-weighted images improve T2 maps, and combined guidance optimally enhances all parameters simultaneously. Validation on independently acquired in-vivo data from a different qMRI sequence confirms cross-qMRI sequence generalizability. Models trained on synthetic data can produce super-resolved maps from a 1-minute acquisition with quality comparable to a 5-minute reference scan, leveraging the scanner-independent nature of relaxometry parameters. By decoupling training from HR qMRI requirement, our framework enables fast qMRI acquisitions enhanced via routine clinical images, offering a practical pathway for integrating quantitative relaxometry into clinical workflows with acceptable additional scan time.
• Abstract（参考訳）: 高分解能 (HR) 定量MRI (qMRI) は, 目的組織の特徴を呈するが, 長期の取得により臨床利用が困難である。 そこで本研究では,日常的に取得したHR重み付きMRI(wMRI)スキャンをガイダンスとして用いて,トレーニング中のHRqMRI基底真理を除去する物理インフォームで自己教師型qMRI超解像フレームワークを提案する。 1)超解像qMRIマップから合成されたHR画像と,前方信号モデルにより得られたwMRIガイドと,(2)取得したLR qMRIとダウンサンプル予測の2つの相違を最小化する。 この物理インフォームされた目的により、HR qMRIの監督なしに臨床wMRIからモデルを学習することができる。 この概念を検証するために、信号方程式を用いてHR qMRIからwMRIガイドを合成し、k空間トランケーションによりqMRI分解能を劣化させることにより、トレーニングデータを生成する。 ディープニューラルネットワークは超解像マッピングを学習する。 アブレーション実験により、T1重み付き画像はT1マップを主に強化し、T2重み付き画像はT2マップを改善し、組み合わせたガイダンスは全てのパラメータを同時に最適化することが示された。 異なるqMRIシーケンスから独立に取得したin-vivoデータの検証は、クロスqMRIシーケンスの一般化性を確認する。 合成データに基づいて訓練されたモデルは、5分間の基準スキャンに匹敵する品質の1分間の取得から超解マップを生成することができ、緩和パラメーターのスキャナ非依存の性質を活用することができる。 HR qMRIのトレーニングをHR qMRIの要件から切り離すことで、日常的な臨床画像によって強化された高速なqMRI取得を可能にし、定量的緩和法を臨床ワークフローに統合するための実用的な経路を提供する。

関連論文リスト

• Patch-Based Diffusion for Data-Efficient, Radiologist-Preferred MRI Reconstruction [30.203473273516895]
  パッチベースの拡散モデルでは、小さな実数値データセットよりも効果的なデータ駆動の事前学習が期待できる。 本研究では,25k領域の画像の小さなデータセットでトレーニングしたPaDIS-MRIモデルが,画像品質の指標でFastMRI-EDMより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T20:18:56Z)
• Faster, Self-Supervised Super-Resolution for Anisotropic Multi-View MRI Using a Sparse Coordinate Loss [0.39508022083907396]
  本稿では,2つの異方性LRMR画像を融合して解剖学的詳細を統一表現で再構成する手法を提案する。 我々のマルチビューニューラルネットワークは、対応する高解像度(HR)データを必要とせず、自己教師型で訓練されている。 以上の結果から,SOTA自己教師型SR法と比較して,高分解能(SR)性能が向上した。
  論文  参考訳（メタデータ） (2025-09-09T14:38:30Z)
• A Physics-Driven Neural Network with Parameter Embedding for Generating Quantitative MR Maps from Weighted Images [25.060349614170953]
  臨床重み付きMRIによる定量的画像合成の精度と一般化性を改善するために,MRIシーケンスパラメータを統合する深層学習に基づくアプローチを提案する。 物理駆動型ニューラルネットワークは、パラメータ埋め込みを介してMRIシーケンスパラメータを直接モデルに埋め込む。
  論文  参考訳（メタデータ） (2025-08-11T16:01:12Z)
• 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)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model [1.4126798060929953]
  研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。 通常の臨床MRIスキャンは通常、低分解能(LR)である MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。 本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-23T23:04:42Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。