論文の概要: Distributional Deep Learning for Super-Resolution of 4D Flow MRI under Domain Shift

• arxiv url: http://arxiv.org/abs/2602.15167v1
• Date: Mon, 16 Feb 2026 20:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.895797
• Title: Distributional Deep Learning for Super-Resolution of 4D Flow MRI under Domain Shift
• Title（参考訳）: 領域シフト下における4次元流れMRIの超解像のための分布深度学習
• Authors: Xiaoyi Wen, Fei Jiang,
• Abstract要約: 4次元フローMRI(4DF)の高分解能化のための分布型ディープラーニングフレームワークを開発した。 これは、血行動態速度と血管壁応力などの臨床的に関連する指標をキャプチャする新しい画像モダリティである。 分布推定器の理論的特性を導出し,我々のフレームワークが実データアプリケーションを通して従来のディープラーニングアプローチを著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 7.497091354189351
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Super-resolution is widely used in medical imaging to enhance low-quality data, reducing scan time and improving abnormality detection. Conventional super-resolution approaches typically rely on paired datasets of downsampled and original high resolution images, training models to reconstruct high resolution images from their artificially degraded counterparts. However, in real-world clinical settings, low resolution data often arise from acquisition mechanisms that differ significantly from simple downsampling. As a result, these inputs may lie outside the domain of the training data, leading to poor model generalization due to domain shift. To address this limitation, we propose a distributional deep learning framework that improves model robustness and domain generalization. We develop this approch for enhancing the resolution of 4D Flow MRI (4DF). This is a novel imaging modality that captures hemodynamic flow velocity and clinically relevant metrics such as vessel wall stress. These metrics are critical for assessing aneurysm rupture risk. Our model is initially trained on high resolution computational fluid dynamics (CFD) simulations and their downsampled counterparts. It is then fine-tuned on a small, harmonized dataset of paired 4D Flow MRI and CFD samples. We derive the theoretical properties of our distributional estimators and demonstrate that our framework significantly outperforms traditional deep learning approaches through real data applications. This highlights the effectiveness of distributional learning in addressing domain shift and improving super-resolution performance in clinically realistic scenarios.
• Abstract（参考訳）: 超解像は、低品質のデータを向上し、スキャン時間を短縮し、異常検出を改善するために医療画像に広く用いられている。 従来の超高解像度のアプローチは、通常、ダウンサンプルと元の高解像度の画像のペアデータセットに依存し、人工的に劣化した画像から高解像度の画像を再構成するためのトレーニングモデルである。 しかし、実際の臨床環境では、低解像度データは単純なダウンサンプリングと大きく異なる取得メカニズムから生じることが多い。 その結果、これらの入力はトレーニングデータの領域外にある可能性があるため、ドメインシフトによるモデルの一般化が不十分になる。 この制限に対処するため,モデルの堅牢性とドメインの一般化を改善する分散ディープラーニングフレームワークを提案する。 4D Flow MRI (4DF) の高分解能化のための本手法を開発した。 これは、血行動態速度と血管壁応力などの臨床的に関連する指標をキャプチャする新しい画像モダリティである。 これらの指標は動脈瘤破裂リスクを評価するために重要である。 我々のモデルは、まず、高分解能計算流体力学(CFD)シミュレーションとそのダウンサンプルシミュレーションに基づいて訓練されている。 その後、ペア化された4D Flow MRIとCFDサンプルの小さな調和したデータセットに微調整される。 分布推定器の理論的特性を導出し,我々のフレームワークが実データアプリケーションを通して従来のディープラーニングアプローチを著しく上回っていることを示す。 これは、ドメインシフトに対応するための分散学習の有効性を強調し、臨床的に現実的なシナリオにおける超解像性能を改善する。

関連論文リスト

• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• Deep learning for temporal super-resolution 4D Flow MRI [34.90138772411514]
  本研究の目的は,時間的超解像4D Flow MRIのための残像ネットワークの実装と評価である。 患者固有のシリコモデル由来の合成4次元フローMRIデータと、in-vivoデータセットを用いてトレーニングおよび試験を行った。 以上の結果から, 時空間超解像4次元フローMRIにおけるデータ駆動型ニューラルネットワークの有用性が示唆された。
  論文  参考訳（メタデータ） (2025-01-15T13:01:47Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• 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)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows [0.45935798913942893]
  本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。 この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
  論文  参考訳（メタデータ） (2021-07-07T17:16:55Z)

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。