論文の概要: Quantitative mapping from conventional MRI using self-supervised physics-guided deep learning: applications to a large-scale, clinically heterogeneous dataset

• arxiv url: http://arxiv.org/abs/2601.05063v1
• Date: Thu, 08 Jan 2026 16:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.270519
• Title: Quantitative mapping from conventional MRI using self-supervised physics-guided deep learning: applications to a large-scale, clinically heterogeneous dataset
• Title（参考訳）: 自己教師型物理誘導深層学習を用いたMRIからの定量的マッピング-大規模・臨床的に不均一なデータセットへの応用
• Authors: Jelmer van Lune, Stefano Mandija, Oscar van der Heide, Matteo Maspero, Martin B. Schilder, Jan Willem Dankbaar, Cornelis A. T. van den Berg, Alessandro Sbrizzi,
• Abstract要約: 本研究では,T1,T2,およびプロトン密度マップを推定する物理誘導深層学習フレームワークを提案する。 このフレームワークは、大規模な、臨床的に不均一なデータセットで訓練され、評価された。
• 参考スコア（独自算出の注目度）: 32.995373978092665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) is a cornerstone of clinical neuroimaging, yet conventional MRIs provide qualitative information heavily dependent on scanner hardware and acquisition settings. While quantitative MRI (qMRI) offers intrinsic tissue parameters, the requirement for specialized acquisition protocols and reconstruction algorithms restricts its availability and impedes large-scale biomarker research. This study presents a self-supervised physics-guided deep learning framework to infer quantitative T1, T2, and proton-density (PD) maps directly from widely available clinical conventional T1-weighted, T2-weighted, and FLAIR MRIs. The framework was trained and evaluated on a large-scale, clinically heterogeneous dataset comprising 4,121 scan sessions acquired at our institution over six years on four different 3 T MRI scanner systems, capturing real-world clinical variability. The framework integrates Bloch-based signal models directly into the training objective. Across more than 600 test sessions, the generated maps exhibited white matter and gray matter values consistent with literature ranges. Additionally, the generated maps showed invariance to scanner hardware and acquisition protocol groups, with inter-group coefficients of variation $\leq$ 1.1%. Subject-specific analyses demonstrated excellent voxel-wise reproducibility across scanner systems and sequence parameters, with Pearson $r$ and concordance correlation coefficients exceeding 0.82 for T1 and T2. Mean relative voxel-wise differences were low across all quantitative parameters, especially for T2 ($<$ 6%). These results indicate that the proposed framework can robustly transform diverse clinical conventional MRI data into quantitative maps, potentially paving the way for large-scale quantitative biomarker research.
• Abstract（参考訳）: MRI(MRI)は臨床神経画像の基盤であるが、従来のMRIはスキャナーのハードウェアと取得設定に大きく依存する質的な情報を提供する。 定量的MRI(qMRI)は固有の組織パラメータを提供するが、特別な取得プロトコルと再構成アルゴリズムの要件は、その可用性を制限し、大規模なバイオマーカー研究を妨げる。 本研究では,T1,T2,Proton-density(PD)マップを直接推定する物理誘導型深層学習フレームワークを提案する。 当施設で6年間で取得した4,121件のスキャンセッションを4つの異なる3T MRIスキャナーシステムを用いて,大規模,臨床的に異種なデータセットで評価し,実世界の臨床的変動を捉えた。 このフレームワークはBlochベースの信号モデルを直接トレーニング目標に統合する。 600以上のテストセッションで生成したマップには白黒物質とグレーの物質値が文献範囲と一致していた。 さらに、生成されたマップは、スキャナハードウェアと取得プロトコルグループに不変であり、グループ間係数は$\leq$ 1.1%であった。 Pearson $r$, Concordance correlation coefficients of 0.82 for T1 and T2。 特にT2(6%)では, 平均相対ボクセル値の差が低かった。 これらの結果から, 提案フレームワークは, 多様な臨床MRIデータを定量的マップに頑健に変換し, 大規模定量的バイオマーカー研究の道を開く可能性が示唆された。

関連論文リスト

• Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution [0.4757311250629737]
  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。
  論文  参考訳（メタデータ） (2025-12-19T14:15:31Z)
• Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
  パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。 また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
  論文  参考訳（メタデータ） (2025-11-07T03:51:00Z)
• 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)
• Coordinate-Based Neural Representation Enabling Zero-Shot Learning for 3D Multiparametric Quantitative MRI [4.707353256136099]
  我々は,同時マルチパラメトリックqMRIのためのデータ取得と教師なし再構成を含む,革新的なイメージング手法であるSUMMITを提案する。 qMRI再構成のための教師なしアプローチは、様々な医用画像モダリティに適用可能な、新しいゼロショット学習パラダイムも導入する。
  論文  参考訳（メタデータ） (2024-10-02T14:13:06Z)
• Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI [3.639043225506316]
  脳MRIにおける大脳皮質再建, 登録, パーセレーション, 厚さ推定のための新しい手法であるrecon-all-clinicalを紹介した。 提案手法では,ドメインランダム化を訓練した畳み込みニューラルネットワーク(CNN)を組み合わせて,符号付き距離関数の予測を行う。 19,000件以上の臨床検査を含む,複数のデータセットを対象に,再構成全臨床検査を行った。
  論文  参考訳（メタデータ） (2024-09-05T19:52:09Z)
• CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [40.11088079783521]
  CMRxRecon2024データセットは、最も大きく、最もプロトカルなディバースで公開されている心臓k空間データセットである。 健常者330名から取得され、一般的に使用されるモダリティ、解剖学的視点、臨床心臓MRIにおける獲得軌跡をカバーしている。
  論文  参考訳（メタデータ） (2024-06-27T09:50:20Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Unsupervised learning of MRI tissue properties using MRI physics models [10.979093424231532]
  すべての臨床スキャナーで利用可能なプロトコルを使用して、単一のスキャンセッションから組織特性を推定することは、スキャン時間とコストを削減することを約束する。 我々は,MRI物理を用いた教師なし深層学習戦略を提案し,単一のマルチエコーMRIスキャンセッションから3つの組織特性を推定する。 組織特性推定とMRI合成の精度向上と一般化性を示した。
  論文  参考訳（メタデータ） (2021-07-06T16:07:14Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。