論文の概要: CRUNet-MR-Univ: A Foundation Model for Diverse Cardiac MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2601.04428v1
• Date: Wed, 07 Jan 2026 22:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.942029
• Title: CRUNet-MR-Univ: A Foundation Model for Diverse Cardiac MRI Reconstruction
• Title（参考訳）: CRUNet-MR-Univ : 拡張型心臓MRIの基盤モデル
• Authors: Donghang Lyu, Marius Staring, Hildo Lamb, Mariya Doneva,
• Abstract要約: 深層学習は、心臓MRI再建の分野への関心が高まっている。 CMRスキャンは、画像コントラスト、サンプリングパターン、ベンダー、解剖学的構造、スキャナータイプに大きなばらつきを示す。 既存のモデルの多くは、これらのバリエーションの1行または1行のサブセットのみを扱うように設計されており、分散シフトに直面するとパフォーマンスが低下する。
• 参考スコア（独自算出の注目度）: 2.695455737934403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, deep learning has attracted increasing at- tention in the field of Cardiac MRI (CMR) reconstruction due to its superior performance over traditional methods, particularly in handling higher acceleration factors, highlighting its potential for real-world clini- cal applications. However, current deep learning methods remain limited in generalizability. CMR scans exhibit wide variability in image contrast, sampling patterns, scanner vendors, anatomical structures, and disease types. Most existing models are designed to handle only a single or nar- row subset of these variations, leading to performance degradation when faced with distribution shifts. Therefore, it is beneficial to develop a unified model capable of generalizing across diverse CMR scenarios. To this end, we propose CRUNet-MR-Univ, a foundation model that lever- ages spatio-temporal correlations and prompt-based priors to effectively handle the full diversity of CMR scans. Our approach consistently out- performs baseline methods across a wide range of settings, highlighting its effectiveness and promise.
• Abstract（参考訳）: 近年,心臓MRI(CMR)再建の分野での深層学習は,特に高加速度因子の処理において従来の手法よりも優れた性能を示し,実世界のクリニカル応用の可能性を強調している。 しかし、現在のディープラーニング手法は、一般化可能性において制限されている。 CMRスキャンは画像コントラスト、サンプリングパターン、スキャナーベンダー、解剖学的構造、疾患タイプに幅広い多様性を示す。 既存のモデルの多くは、これらのバリエーションの1行または1行のサブセットのみを扱うように設計されており、分散シフトに直面するとパフォーマンスが低下する。 したがって、多様なCMRシナリオをまたいで一般化できる統一モデルを開発することは有益である。 そこで本研究では,CMRスキャンの全多様性を効果的に扱えるように,レバー年齢による時空間相関とプロンプトに基づく事前処理を行う基盤モデルであるCRUNet-MR-Univを提案する。 当社のアプローチは、幅広い設定で一貫してベースラインメソッドを実行し、その有効性と約束を強調します。

関連論文リスト

• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• UPCMR: A Universal Prompt-guided Model for Random Sampling Cardiac MRI Reconstruction [1.2773749417703923]
  心磁気共鳴画像再構成のためのユニバーサルアンロールモデルであるUPCMRを紹介する。 学習可能なプロンプトは2種類あり、アンサンプ固有のプロンプトと空間固有のプロンプトが組み込まれ、各ブロックにUNet構造が組み込まれている。 効率的なトレーニング戦略により、すべてのランダムサンプリングシナリオにおける再構成画像の品質を高く向上させる。
  論文  参考訳（メタデータ） (2025-02-18T07:44:35Z)
• MedMAP: Promoting Incomplete Multi-modal Brain Tumor Segmentation with Alignment [20.358300924109162]
  臨床ではMRIの特定のモダリティが欠如している可能性があるため、より困難なシナリオが提示される。 知識蒸留、ドメイン適応、共有潜在空間は一般的に有望な戦略として現れている。 本稿では,事前学習モデルの置換として,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-08-18T13:16:30Z)
• Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction [3.9681863841849623]
  我々はMR画像とエッジの両方に固有の個別正規化器を組み込むだけでなく、協調正規化器を強制してそれらの相関を効果的に確立するジョイントエッジ最適化モデルを構築した。 具体的には、エッジ情報を非エッジ確率マップで定義し、最適化プロセス中に画像再構成を誘導する。 一方、画像やエッジに関連するレギュレータは、それぞれ固有のアプリオリ情報を自動的に学習するために、深く展開するネットワークに組み込まれる。
  論文  参考訳（メタデータ） (2024-05-09T05:51:33Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Generalized Deep Learning-based Proximal Gradient Descent for MR Reconstruction [3.128676265663467]
  物理フォワードモデルのデータの一貫性は逆問題、特にMR画像再構成において重要である。 深層学習に基づく近位勾配降下法を提案し,前向きモデルとは独立な正規化項としてネットワークを用いた。 この1回の事前訓練正則化はMR取得の異なる設定に適用され、ピーク信号-雑音比の3dB改善を示す従来のL1正則化と比較された。
  論文  参考訳（メタデータ） (2022-11-30T10:31:06Z)
• 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)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Robust Image Reconstruction with Misaligned Structural Information [0.27074235008521236]
  再建と登録を共同で行う変分フレームワークを提案する。 我々のアプローチは、異なるモダリティに対してこれを最初に達成し、再構築と登録の両方の精度で確立されたアプローチを上回ります。
  論文  参考訳（メタデータ） (2020-04-01T17:21:25Z)

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。