論文の概要: Complex Swin Transformer for Accelerating Enhanced SMWI Reconstruction

• arxiv url: http://arxiv.org/abs/2512.22202v1
• Date: Sun, 21 Dec 2025 08:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.882424
• Title: Complex Swin Transformer for Accelerating Enhanced SMWI Reconstruction
• Title（参考訳）: SMWI再構成高速化のための複合スウィントランス
• Authors: Muhammad Usman, Sung-Min Gho,
• Abstract要約: 本稿では,MRIデータの超分解能再構成のための複雑なSwin Transformerベースのネットワークを提案する。 提案手法は,低解像度のk空間入力から高品質なSMWI画像を再構成する。
• 参考スコア（独自算出の注目度）: 1.1585610923175995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Susceptibility Map Weighted Imaging (SMWI) is an advanced magnetic resonance imaging technique used to detect nigral hyperintensity in Parkinsons disease. However, full resolution SMWI acquisition is limited by long scan times. Efficient reconstruction methods are therefore required to generate high quality SMWI from reduced k space data while preserving diagnostic relevance. In this work, we propose a complex valued Swin Transformer based network for super resolution reconstruction of multi echo MRI data. The proposed method reconstructs high quality SMWI images from low resolution k space inputs. Experimental results demonstrate that the method achieves a structural similarity index of 0.9116 and a mean squared error of 0.076 when reconstructing SMWI from 256 by 256 k space data, while maintaining critical diagnostic features. This approach enables high quality SMWI reconstruction from reduced k space sampling, leading to shorter scan times without compromising diagnostic detail. The proposed method has the potential to improve the clinical applicability of SMWI for Parkinsons disease and support faster and more efficient neuroimaging workflows.
• Abstract（参考訳）: SMWI (Susceptibility Map Weighted Imaging) は、パーキンソン病の眼圧過大度を検出するための高度な磁気共鳴イメージング技術である。 しかし、SMWIの完全解像度取得は長いスキャン時間によって制限される。 したがって, 診断関連性を保ちつつ, k 空間データから高品質な SMWI を生成するためには, 効率的な再構成法が必要である。 本研究では,マルチエコーMRIデータの超分解能再構成のための複雑な値を持つSwin Transformerベースのネットワークを提案する。 提案手法は,低解像度のk空間入力から高品質なSMWI画像を再構成する。 実験結果から, SMWIを256×256kの空間データから再構成し, 臨界診断特性を維持しつつ, 構造類似度指数0.9116, 平均2乗誤差0.076を実現した。 このアプローチにより、k空間サンプリングの削減による高品質SMWI再構成が可能となり、診断精度を損なうことなくスキャン時間が短縮される。 提案手法は,パーキンソン病に対するSMWIの臨床応用性を向上し,より高速で効率的な神経画像ワークフローをサポートする可能性がある。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Versatile and Efficient Medical Image Super-Resolution Via Frequency-Gated Mamba [10.69081892501522]
  本稿では,FGMambaを提案する。FGMambaは,グローバルな依存性モデリングと細部拡張を軽量アーキテクチャに統合した,周波数対応のゲート状態空間モデルである。 本研究は,スケーラブルかつ高精度な医用画像強調のための周波数認識状態空間モデリングの有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-31T09:12:12Z)
• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• 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)
• DenoMamba: A fused state-space model for low-dose CT denoising [6.468495781611433]
  低線量CT(LDCT)は放射線曝露に伴う潜在的なリスクを低くする。 LDCT denoisingは、基礎となる組織信号からの線量減少によって引き起こされるノイズを分離するために、データ駆動画像の事前学習を行うニューラルネットワークモデルに基づいている。 DenoMambaは、状態空間モデリング(SSM)に基づく、医療画像の短距離および長距離コンテキストを効率的にキャプチャする新しいデノナイジング手法である。
  論文  参考訳（メタデータ） (2024-09-19T21:32:07Z)
• Multi-scale reconstruction of undersampled spectral-spatial OCT data for coronary imaging using deep learning [1.8359410255568984]
  血管内光コヒーレンス断層撮影(IV OCT)は冠状動脈疾患(CAD)の診断・治療に最適であると考えられる。 高分解能と高速走査率のトレードオフがある。 本稿では,スペクトル領域と空間領域の両方でサンプリングプロセスをダウンスケールするスペクトル空間取得手法を提案する。
  論文  参考訳（メタデータ） (2022-04-25T16:37:25Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。