論文の概要: An Adaptive, Disentangled Representation for Multidimensional MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2512.24674v1
• Date: Wed, 31 Dec 2025 07:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.591124
• Title: An Adaptive, Disentangled Representation for Multidimensional MRI Reconstruction
• Title（参考訳）: 多次元MRI再構成のための適応的不整合表現法
• Authors: Ruiyang Zhao, Fan Lam,
• Abstract要約: 多次元磁気共鳴画像(MRI)データの表現と再構成のための新しい手法を提案する。 提案手法は,幾何学やコントラストなど,異なるタイプの特徴を異なる低次元の潜在空間に分解する,新しい特徴に基づく画像表現に基づく。 学習表現とゼロショットの自己教師付き学習適応とサブスペースモデリングを統合するために,新しい再構成形式とアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 3.3803617991341053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a new approach for representing and reconstructing multidimensional magnetic resonance imaging (MRI) data. Our method builds on a novel, learned feature-based image representation that disentangles different types of features, such as geometry and contrast, into distinct low-dimensional latent spaces, enabling better exploitation of feature correlations in multidimensional images and incorporation of pre-learned priors specific to different feature types for reconstruction. More specifically, the disentanglement was achieved via an encoderdecoder network and image transfer training using large public data, enhanced by a style-based decoder design. A latent diffusion model was introduced to impose stronger constraints on distinct feature spaces. New reconstruction formulations and algorithms were developed to integrate the learned representation with a zero-shot selfsupervised learning adaptation and subspace modeling. The proposed method has been evaluated on accelerated T1 and T2 parameter mapping, achieving improved performance over state-of-the-art reconstruction methods, without task-specific supervised training or fine-tuning. This work offers a new strategy for learning-based multidimensional image reconstruction where only limited data are available for problem-specific or task-specific training.
• Abstract（参考訳）: 多次元磁気共鳴画像(MRI)データの表現と再構成のための新しい手法を提案する。 提案手法は,幾何やコントラストなどの異なる種類の特徴を異なる低次元の潜在空間に分解し,多次元画像における特徴相関のより良い活用と,異なる特徴型に特有な事前学習前の事前学習を可能にした,新しい特徴ベース画像表現に基づいて構築する。 より具体的には、エンコーダデコーダネットワークと、スタイルベースのデコーダ設計によって強化された大規模な公開データを用いた画像転送訓練によって、この歪みが達成された。 異なる特徴空間に強い制約を課すために潜在拡散モデルが導入された。 学習表現とゼロショットの自己教師付き学習適応とサブスペースモデリングを統合するために,新しい再構成形式とアルゴリズムを開発した。 提案手法は,T1およびT2パラメータマッピングを高速化し,タスク固有の教師付きトレーニングや微調整を必要とせず,最先端の再構築手法よりも優れた性能を実現する。 本研究は,問題特化学習やタスク特化学習に限られたデータしか利用できない,学習に基づく多次元画像再構成のための新しい戦略を提供する。

関連論文リスト

• GloTok: Global Perspective Tokenizer for Image Reconstruction and Generation [51.95701097588426]
  トークン化された特徴のより均一な意味分布をモデル化するために,Global Perspective Tokenizer(GloTok)を導入する。 量子化による再構成誤差を最小限に抑えるために, 微細な細部を復元するために, 残差学習モジュールを提案する。 標準のImageNet-1kベンチマーク実験により,提案手法が最先端の復元性能と生成品質を実現することを確認した。
  論文  参考訳（メタデータ） (2025-11-18T06:40:26Z)
• High-Dimensional MR Reconstruction Integrating Subspace and Adaptive Generative Models [21.719520686704474]
  本稿では,高次元MR画像再構成に先立って,サブスペースモデリングと適応生成画像を統合する手法を提案する。 高速MRパラメータマッピングと高分解能MRSIの2つの高次元イメージングアプリケーションで提案手法の有用性を評価した。
  論文  参考訳（メタデータ） (2023-06-14T16:43:14Z)
• Image Compressed Sensing with Multi-scale Dilated Convolutional Neural Network [2.719222831651969]
  本稿では,CS計測と再構成のためのMsDCNN(Multiscale Dilated Convolution Neural Network)という新しいフレームワークを提案する。 測定期間中、完全に畳み込み構造を用いる訓練された測定ネットワークから、すべての測定値を直接取得する。 再建期間中に,人間の視覚システムを模倣するマルチスケール特徴抽出(MFE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T01:11:56Z)
• Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density [15.143939192429018]
  本稿では,関心領域(ROI)を限定されたCT値から再構成する手法を提案する。 ディープメソッドは高速で、データセットからの情報を活用することで、高いリコンストラクション品質に達することができる。 限られたデータからのROI再構成のために設計されたUDBFBと呼ばれる展開ニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2022-09-27T09:10:57Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• LEARN++: Recurrent Dual-Domain Reconstruction Network for Compressed Sensing CT [17.168584459606272]
  LEARN++モデルは、2つの並列およびインタラクティブワークを統合して、画像と投影ドメインの両方で画像復元とシングラムインペインティング操作を同時に実行します。 その結果,learn++モデルは,アーティファクトの削減と細部保存の両面で,いくつかの最先端手法と比較して,競争力のある質的,定量的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-12-13T07:00:50Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。