論文の概要: SSPFormer: Self-Supervised Pretrained Transformer for MRI Images

• arxiv url: http://arxiv.org/abs/2601.12747v1
• Date: Mon, 19 Jan 2026 06:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.77336
• Title: SSPFormer: Self-Supervised Pretrained Transformer for MRI Images
• Title（参考訳）: SSPFormer:MRI画像のための自己監督型事前訓練型トランス
• Authors: Jingkai Li, Xiaoze Tian, Yuhang Shen, Jia Wang, Dianjie Lu, Guijuan Zhang, Zhuoran Zheng,
• Abstract要約: 本稿では,MRI画像のための自己教師付き事前学習変換器(SSPFormer)を提案する。 SSPFormerは、未ラベルの生画像データを利用して、医用画像のドメイン固有の特徴表現を効果的に学習する。 セグメンテーション、超解像、デノゲーションタスクに関する広範な実験を通じて、提案したSSPFormerは最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 10.727804908369869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pre-trained transformer demonstrates remarkable generalization ability in natural image processing. However, directly transferring it to magnetic resonance images faces two key challenges: the inability to adapt to the specificity of medical anatomical structures and the limitations brought about by the privacy and scarcity of medical data. To address these issues, this paper proposes a Self-Supervised Pretrained Transformer (SSPFormer) for MRI images, which effectively learns domain-specific feature representations of medical images by leveraging unlabeled raw imaging data. To tackle the domain gap and data scarcity, we introduce inverse frequency projection masking, which prioritizes the reconstruction of high-frequency anatomical regions to enforce structure-aware representation learning. Simultaneously, to enhance robustness against real-world MRI artifacts, we employ frequency-weighted FFT noise enhancement that injects physiologically realistic noise into the Fourier domain. Together, these strategies enable the model to learn domain-invariant and artifact-robust features directly from raw scans. Through extensive experiments on segmentation, super-resolution, and denoising tasks, the proposed SSPFormer achieves state-of-the-art performance, fully verifying its ability to capture fine-grained MRI image fidelity and adapt to clinical application requirements.
• Abstract（参考訳）: 事前学習した変換器は、自然な画像処理において顕著な一般化能力を示す。 しかし、磁気共鳴画像への直接転送は、医学解剖学的構造の特異性に適応できないことと、医療データのプライバシーと不足によって引き起こされる限界という2つの大きな課題に直面している。 そこで本稿では,MRI画像のためのセルフ・スーパービジョン・プレトレーニング・トランスフォーマ (SSPFormer) を提案し,未ラベルの生画像データを利用して医用画像の特徴表現を効果的に学習する。 ドメインギャップとデータ不足に対処するために,高頻度解剖領域の再構築を優先して構造認識表現学習を行う逆周波数プロジェクションマスキングを導入する。 同時に、実世界のMRIアーチファクトに対するロバスト性を高めるために、フーリエ領域に生理学的に現実的なノイズを注入する周波数重み付きFFT雑音強調法を用いる。 これらの戦略により、モデルは生のスキャンから直接ドメイン不変およびアーティファクトロバストな特徴を学習することができる。 セグメンテーション,超解像,復調タスクに関する広範な実験を通じて,提案したSSPFormerは,MRI像の微細化と臨床応用要件への適応性を十分に検証し,最先端のパフォーマンスを実現する。

関連論文リスト

• 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)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Regularization by Neural Style Transfer for MRI Field-Transfer Reconstruction with Limited Data [2.308563547164654]
  ニューラルスタイルトランスファーによる正規化は、磁場-転送再構成を可能にするために、ニューラルスタイルのトランスファーエンジンをデノイザと統合する新しいフレームワークである。 実験の結果,RNSTは様々な解剖学的面にまたがって高品質な画像を再構成できることを示した。
  論文  参考訳（メタデータ） (2023-08-21T18:26:35Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
  コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。 本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
  論文  参考訳（メタデータ） (2023-06-01T10:29:58Z)
• 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)
• Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
  マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。 FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。 FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
  論文  参考訳（メタデータ） (2022-02-08T22:17:57Z)

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。