論文の概要: High-fidelity 3D multi-slab diffusion MRI using Slab-shifting for Harmonized 3D Acquisition and Reconstruction with Profile Encoding Networks (SHARPEN)

• arxiv url: http://arxiv.org/abs/2602.07162v1
• Date: Fri, 06 Feb 2026 20:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.482455
• Title: High-fidelity 3D multi-slab diffusion MRI using Slab-shifting for Harmonized 3D Acquisition and Reconstruction with Profile Encoding Networks (SHARPEN)
• Title（参考訳）: 高忠実度3次元マルチスラブ拡散MRIによる高調波3次元取得とプロファイル符号化ネットワーク(SHARPEN)による再構成
• Authors: Ziyu Li, Karla L. Miller, Wenchuan Wu,
• Abstract要約: 三次元3次元マルチスラブイメージングは高分解能生体内拡散MRI(dMRI)に期待できるアプローチである しかし、大きな課題は、非理想スラブ選択RF励起から生じるスラブ境界アーチファクトである。 非矩形スラブプロファイルはスラブ境界における信号強度を減少させる一方、隣接するスラブにまたがるプロファイルはスラブ間クロストークを導入する。 プロファイルネットワークを用いた高調波3次元取得と再構成のためのスラブプロファイル符号化とスラブシフト処理を構築した。
• 参考スコア（独自算出の注目度）: 6.762183349768633
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Three-dimensional (3D) multi-slab imaging is a promising approach for high-resolution in vivo diffusion MRI (dMRI) due to its compatibility with short TR (1-2 s), providing optimal signal-to-noise ratio (SNR) efficiency. A major challenge, however, is slab boundary artifacts arising from non-ideal slab-selective RF excitation. Non-rectangular slab profiles reduce signal intensity at slab boundaries, while profile overlap across adjacent slabs introduces inter-slab crosstalk, where repeated excitation shortens the local TR and limits T1 recovery. To mitigate slab boundary artifacts without increasing scan time, we build on slab profile encoding and propose Slab-shifting for Harmonized 3D Acquisition and Reconstruction with Profile Encoding Networks (SHARPEN). For different diffusion directions, SHARPEN applies inter-volume field-of-view shifts along the slice direction to provide complementary slab profile encoding without prolonging acquisition. Slab profiles are estimated using a lightweight self-supervised neural network that exploits consistency across shifted acquisitions and known physical properties of slab profiles and diffusion images, and corrected images are reconstructed accordingly. SHARPEN was validated using simulated and prospectively acquired high-resolution in vivo data and demonstrates accurate slab profile estimation and robust boundary artifact correction, even in the presence of inter-volume motion. SHARPEN does not require high-quality reference training data and supports subject-specific training. Its efficient GPU-based implementation delivers faster and more accurate correction than NPEN, yielding slice-wise quantitative profiles that closely match those from reference 2D acquisitions. SHARPEN enables high-quality dMRI at 0.7 mm isotropic resolution on a 3T clinical scanner, highlighting its potential to advance submillimeter dMRI for neuroscience research.
• Abstract（参考訳）: 3次元3次元マルチスラブイメージングは、短いTR(1-2 s)との互換性のため、高分解能の生体内拡散MRI(dMRI)に対して有望なアプローチであり、最適な信号-雑音比(SNR)を実現する。 しかし、大きな課題は、非理想スラブ選択RF励起から生じるスラブ境界アーチファクトである。 非矩形スラブプロファイルはスラブ境界における信号強度を減少させる一方、隣接するスラブにまたがるプロファイルはスラブ間クロストークを導入し、繰り返し励起することで局所TRが短くなり、T1回復が制限される。 スキャン時間を増やすことなくスラブ境界アーティファクトを緩和するため、スラブプロファイルエンコーディングを構築し、ハーモナイズド3D取得とプロファイルエンコーディングネットワーク(SHARPEN)による再構成のためのスラブシフトを提案する。 異なる拡散方向に対して、SHARPENはスライス方向に沿って視界間シフトを適用し、取得を長くすることなく補足スラブプロファイル符号化を提供する。 スラブプロファイルは、シフトした取得と、スラブプロファイルと拡散画像の既知の物理的特性との整合性を利用して、軽量な自己教師型ニューラルネットワークを用いて推定され、修正された画像が再構成される。 SHARPENは,高分解能な生体内データを用いて評価され,体積間運動においても正確なスラブプロファイル推定と堅牢な境界アーチファクト補正を実証した。 SHARPENは高品質な参照トレーニングデータを必要としない。 その効率的なGPUベースの実装は、NPENよりも高速で正確な修正を提供し、参照2D取得と密接に一致するスライスワイドな定量的プロファイルを提供する。 SHARPENは3T臨床スキャナーで0.7mm等方分解能で高品質のdMRIを可能にし、神経科学研究のためにサブミリdMRIを前進させる可能性を強調している。

関連論文リスト

• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• Parameter-Efficient Fine-Tuning of 3D DDPM for MRI Image Generation Using Tensor Networks [23.30947697113457]
  3次元U-Netを用いた拡散確率モデル(DDPM)におけるパラメータ効率細調整(PEFT)の課題に対処する。 本研究では,3次元畳み込みバックボーンを有するDDPMを微調整するための新しいPEFT手法であるTenVOOを提案する。 この結果から, マルチスケール類似度指標(MS-SSIM)において, TenVOO が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-07-24T05:51:51Z)
• 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)
• ECLARE: Efficient cross-planar learning for anisotropic resolution enhancement [3.854399264296032]
  臨床画像では、MRI画像のボリュームはスキャン時間を短縮し、信号-雑音比を改善し、2次元MRパルスシーケンスに特有のコントラストを持つ2次元スライススタックとして取得されることが多い。 これは臨床評価に十分であるが、3次元解析のために設計された自動アルゴリズムはマルチスライス2次元MRボリューム、特にスライス厚みとスライス間ギャップを有するものには不十分である。 超解像法(SR)はこの問題に対処することを目的としているが、以前の手法ではスライスプロファイル形状推定、スライスギャップ、ドメインシフト、非整数または任意のアップといった全ての問題に対処していない。
  論文  参考訳（メタデータ） (2025-03-14T18:24:35Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• 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)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)

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。