論文の概要: Self-Supervised Slice-to-Volume Reconstruction with Gaussian Representations for Fetal MRI

• arxiv url: http://arxiv.org/abs/2601.22990v1
• Date: Fri, 30 Jan 2026 13:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.48604
• Title: Self-Supervised Slice-to-Volume Reconstruction with Gaussian Representations for Fetal MRI
• Title（参考訳）: 胎児MRIにおけるガウス表現を用いた自励式スライス・ツー・ヴォーム再構成
• Authors: Yinsong Wang, Thomas Fletcher, Xinzhe Luo, Aine Travers Dineen, Rhodri Cusack, Chen Qin,
• Abstract要約: 運動崩壊した2Dスライススタックから3D胎児のMRボリュームを再構築することは、重要かつ困難な課題である。 本稿では,スライス・ツー・ボリューム再構築のための自己教師型フレームワークであるGaussianSVRを提案する。 高忠実度再構成を実現するために3次元ガウス表現を用いて目標体積を表す。
• 参考スコア（独自算出の注目度）: 8.241855252355386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing 3D fetal MR volumes from motion-corrupted stacks of 2D slices is a crucial and challenging task. Conventional slice-to-volume reconstruction (SVR) methods are time-consuming and require multiple orthogonal stacks for reconstruction. While learning-based SVR approaches have significantly reduced the time required at the inference stage, they heavily rely on ground truth information for training, which is inaccessible in practice. To address these challenges, we propose GaussianSVR, a self-supervised framework for slice-to-volume reconstruction. GaussianSVR represents the target volume using 3D Gaussian representations to achieve high-fidelity reconstruction. It leverages a simulated forward slice acquisition model to enable self-supervised training, alleviating the need for ground-truth volumes. Furthermore, to enhance both accuracy and efficiency, we introduce a multi-resolution training strategy that jointly optimizes Gaussian parameters and spatial transformations across different resolution levels. Experiments show that GaussianSVR outperforms the baseline methods on fetal MR volumetric reconstruction. Code will be available upon acceptance.
• Abstract（参考訳）: 運動崩壊した2Dスライススタックから3D胎児のMRボリュームを再構築することは、重要かつ困難な課題である。 従来のスライス・ツー・ボリューム・コンストラクション (SVR) 法は時間を要するため, 再建には複数の直交スタックが必要である。 学習ベースのSVRアプローチは、推論段階での時間を大幅に短縮する一方で、実際には到達不可能なトレーニングにおいて、基底真理情報に大きく依存している。 これらの課題に対処するために,スライス・ツー・ボリューム再構築のための自己教師型フレームワークであるGaussianSVRを提案する。 GaussianSVRは、3次元ガウス表現を用いて高忠実度再構成を実現する。 シミュレーションされた前方スライス獲得モデルを活用して、自己教師付きトレーニングを可能にし、地平線ボリュームの必要性を軽減する。 さらに,精度と効率を両立させるため,ガウスパラメータと空間変換を異なる解像度レベルで共同で最適化するマルチレゾリューション・トレーニング・ストラテジーを導入する。 実験の結果,ガウシアンSVRは胎児のMR容積再構成におけるベースライン法よりも優れていた。 コードは受理後利用可能になる。

関連論文リスト

• Fast Multi-Stack Slice-to-Volume Reconstruction via Multi-Scale Unrolled Optimization [6.712738779940082]
  本稿では,複数の2次元スライススタックを融合してコヒーレントな3次元構造を復元する高速畳み込みフレームワークを提案する。 胎児脳MRIを用いて, 高品質な3Dボリュームを10秒未満で再構成し, 1sスライス登録と精度を最先端の反復SVRパイプラインと比較した。
  論文  参考訳（メタデータ） (2026-01-12T13:18:49Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction [7.268308489093152]
  等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。 高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。 大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T04:53:59Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• GaussianBody: Clothed Human Reconstruction via 3d Gaussian Splatting [14.937297984020821]
  本稿では,3次元ガウシアンスプラッティングをベースとした,ガウシアンボディと呼ばれる新しい布地復元手法を提案する。 静的な3次元ガウススメッティングモデルを動的復元問題に適用することは、複雑な非剛性変形とリッチな布の細部のために非自明である。 本手法は,ダイナミックな衣料人体に高精細な画質で,最先端のフォトリアリスティックなノベルビューレンダリングを実現できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T04:48:13Z)
• Fully Convolutional Slice-to-Volume Reconstruction for Single-Stack MRI [9.512063866033126]
  磁気共鳴イメージング(MRI)において、スライス・ツー・ボリューム再構成(SVR)とは、未知の3次元磁気共鳴体積を運動によって破壊された2次元スライススタックからコンピュータで再構成することである。 本稿では,従来の作業の欠点を克服するSVR手法を提案する。 成人脳と胎児脳のSVR実験により、我々の完全畳み込み法は以前のSVR法より2倍正確であることが示された。
  論文  参考訳（メタデータ） (2023-12-05T19:45:44Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)

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。