論文の概要: MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI

• arxiv url: http://arxiv.org/abs/2602.00348v1
• Date: Fri, 30 Jan 2026 21:53:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.129224
• Title: MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI
• Title（参考訳）: MASC:加速MRIのための強化学習による金属製のサンプリングと補正
• Authors: Zhengyi Lu, Ming Lu, Chongyu Qu, Junchao Zhu, Junlin Guo, Marilyn Lionts, Yanfan Zhu, Yuechen Yang, Tianyuan Yao, Jayasai Rajagopal, Bennett Allan Landman, Xiao Wang, Xinqiang Yan, Yuankai Huo,
• Abstract要約: MRIの金属インプラントは、画像の品質を低下させ、臨床診断を妨げる深刻な人工物を引き起こす。 我々は,加速MRIのためのメタアウェアk空間サンプリングとアーティファクト補正を共同で最適化する統合強化学習フレームワークMASCを提案する。
• 参考スコア（独自算出の注目度）: 18.47534199434918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal implants in MRI cause severe artifacts that degrade image quality and hinder clinical diagnosis. Traditional approaches address metal artifact reduction (MAR) and accelerated MRI acquisition as separate problems. We propose MASC, a unified reinforcement learning framework that jointly optimizes metal-aware k-space sampling and artifact correction for accelerated MRI. To enable supervised training, we construct a paired MRI dataset using physics-based simulation, generating k-space data and reconstructions for phantoms with and without metal implants. This paired dataset provides simulated 3D MRI scans with and without metal implants, where each metal-corrupted sample has an exactly matched clean reference, enabling direct supervision for both artifact reduction and acquisition policy learning. We formulate active MRI acquisition as a sequential decision-making problem, where an artifact-aware Proximal Policy Optimization (PPO) agent learns to select k-space phase-encoding lines under a limited acquisition budget. The agent operates on undersampled reconstructions processed through a U-Net-based MAR network, learning patterns that maximize reconstruction quality. We further propose an end-to-end training scheme where the acquisition policy learns to select k-space lines that best support artifact removal while the MAR network simultaneously adapts to the resulting undersampling patterns. Experiments demonstrate that MASC's learned policies outperform conventional sampling strategies, and end-to-end training improves performance compared to using a frozen pre-trained MAR network, validating the benefit of joint optimization. Cross-dataset experiments on FastMRI with physics-based artifact simulation further confirm generalization to realistic clinical MRI data. The code and models of MASC have been made publicly available: https://github.com/hrlblab/masc
• Abstract（参考訳）: MRIの金属インプラントは、画像の品質を低下させ、臨床診断を妨げる深刻な人工物を引き起こす。 従来のアプローチでは、金属アーティファクトリダクション(MAR)とMRIの高速化が別の問題として扱われていた。 我々は,加速MRIのためのメタアウェアk空間サンプリングとアーティファクト補正を共同で最適化する統合強化学習フレームワークMASCを提案する。 教師付きトレーニングを実現するために,物理シミュレーションを用いたMRIデータセットを構築し,k空間データを生成し,金属インプラントの有無に関わらずファントムの再構成を行う。 このペア化されたデータセットは、金属インプラントと非金属インプラントでシミュレーションされた3D MRIスキャンを提供する。 我々は、能動MRI取得を逐次決定問題として定式化し、アーティファクトを意識したプロキシポリシー最適化(PPO)エージェントが、限られた取得予算の下でk空間位相符号化ラインを選択することを学習する。 このエージェントは、U-NetベースのMARネットワークで処理されたアンサンプされた再構成を動作させ、再構築品質を最大化する学習パターンを学習する。 さらに,MARネットワークが得られたアンサンプパターンに同時に適応している間に,取得ポリシーがアーティファクト削除を最も支援するkスペースラインを選択することを学習するエンド・ツー・エンドのトレーニング手法を提案する。 実験の結果,MASCの学習方針は従来のサンプリング手法より優れており,凍結したMARネットワークに比べてエンドツーエンドのトレーニングにより性能が向上し,共同最適化のメリットが検証された。 物理に基づくアーティファクトシミュレーションを用いたFastMRIのクロスデータセット実験により、現実的な臨床MRIデータへの一般化がさらに確認される。 MASCのコードとモデルは、https://github.com/hrlblab/masc.comで公開されている。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Joint Supervised and Self-supervised Learning for MRI Reconstruction [7.018974360061121]
  Joint Supervised and Self-supervised Learning (JSSL)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。 JSSLは、ターゲットデータセットからのサブサンプルデータと教師付き学習方法で、完全にサンプル化された$k$-spaceデータを使用したデータセットを使用して、自己教師付き学習環境でモデルを同時にトレーニングすることによって動作する。 本研究は,画像品質指標を用いて,従来の自己監督手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2023-11-27T14:23:36Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
  臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
  論文  参考訳（メタデータ） (2022-08-26T18:34:41Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)

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。