論文の概要: Direct low-field MRI super-resolution using undersampled k-space
- arxiv url: http://arxiv.org/abs/2603.00668v1
- Date: Sat, 28 Feb 2026 14:23:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.316126
- Title: Direct low-field MRI super-resolution using undersampled k-space
- Title（参考訳）: アンダーサンプドk空間を用いた直接低磁場MRI超解像
- Authors: Daniel Tweneboah Anyimadu, Mohammed M. Abdelsamea, Ahmed Karam Eldaly,
- Abstract要約: アンサンプされた低磁場k空間から直接高磁場MRライクな画像を再構成するための新しいフレームワークを提案する。
提案手法では, アンダーサンプされたk空間の実および虚構成分を処理し, 欠落した周波数コンテンツを復元するk空間二重チャネルU-Netを用いる。
- 参考スコア（独自算出の注目度）: 1.376408511310322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-field magnetic resonance imaging (MRI) provides affordable access to diagnostic imaging but suffers from prolonged acquisition and limited image quality. Accelerated imaging can be achieved with k-space undersampling, while super-resolution (SR) and image quality transfer (IQT) methods typically rely on spatial-domain post-processing. In this work, we propose a novel framework for reconstructing high-field MR like images directly from undersampled low-field k-space. Our approach employs a k-space dual channel U-Net that processes the real and imaginary components of undersampled k-space to restore missing frequency content. Experiments on low-field brain MRI demonstrate that our k-space-driven image enhancement consistently outperforms the counterpart spatial-domain method. Furthermore, reconstructions from undersampled k-space achieve image quality comparable to full k-space acquisitions. To the best of our knowledge, this is the first work that investigates low-field MRI SR/IQT directly from undersampled k-space.
- Abstract（参考訳）: 低磁場MRI(low-field magnetic resonance imaging)は、診断画像への安価なアクセスを提供するが、長期の取得と画像品質の制限に悩まされている。
加速撮像はk空間アンダーサンプリングで実現できるが、超解像(SR)法と画像品質転送(IQT)法は一般に空間領域後処理に依存している。
本研究では,低磁場k-空間から直接高磁場MRライクな画像を再構成するための新しいフレームワークを提案する。
提案手法では, アンダーサンプされたk空間の実および虚構成分を処理し, 欠落した周波数コンテンツを復元するk空間二重チャネルU-Netを用いる。
低磁場脳MRI実験により、我々のk空間駆動画像強調は、相反する空間領域法より一貫して優れていることが示された。
さらに、アンサンプされたk空間からの再構成は、k空間の完全取得に匹敵する画質を実現する。
我々の知る限り、これは低磁場MRI SR/IQTを直接アンサンプされたk空間から調べる最初の研究である。
関連論文リスト
- 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) - Continuous K-space Recovery Network with Image Guidance for Fast MRI Reconstruction [5.910509015352437]
高速MRIは、アンダーサンプリングされたk空間から高品質な画像を復元することを目的としている。
既存の方法では、アンサンプされたデータをアーティファクトのないMRI画像にマッピングするために、ディープラーニングモデルを訓練する。
画像領域誘導を用いた暗黙的ニューラル表現の新しい視点から、連続的なk空間回復ネットワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T04:54:04Z) - 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) - Adaptive Sampling of k-Space in Magnetic Resonance for Rapid Pathology Prediction [31.313223729491703]
そこで本研究では,k空間サンプルを逐次選択し,対象疾患検出を最適化するための適応ポリシーを学習する,MR用適応サンプリング法を提案する。
ASMRは、k空間の8%しか使用せず、また、EMRT、LO、DPSなどのk空間サンプリングにおいて、最先端の作業よりも優れています。
論文 参考訳（メタデータ） (2024-06-06T17:58:00Z) - NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。
ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。
空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
論文 参考訳（メタデータ） (2024-02-20T18:37:42Z) - Simultaneous q-Space Sampling Optimization and Reconstruction for Fast
and High-fidelity Diffusion Magnetic Resonance Imaging [13.002583920505579]
我々は,q空間サンプリング最適化と再構成の同時フレームワークであるSSORを提案する。
我々は、球面調和関数の連続表現と再構成ネットワークを用いて、q空間サンプルのサブセットを共同で最適化する。
拡散磁気共鳴イメージング(dMRI)のユニークな特性を,$l1$-normと全変分正規化を適用して,q領域と画像領域の両方に集積する。
論文 参考訳（メタデータ） (2024-01-03T10:47:20Z) - 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) - Global k-Space Interpolation for Dynamic MRI Reconstruction using Masked
Image Modeling [10.74920257710449]
ダイナミックMRI(Dynamic Magnetic Imaging)では、k空間はスキャン時間に制限があるためアンサンプされることが多い。
我々は,k-GINと呼ばれるトランスフォーマーベースのk空間グローバル補間ネットワークを提案する。
我々のk-GINは、2D+t k空間の低周波成分と高周波成分のグローバル依存関係を学習し、アンサンプされたデータを補間する。
論文 参考訳（メタデータ） (2023-07-24T10:20:14Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI [15.966488917066048]
高アンサンプドリング肺MRI再建のためのエンコードエンハンスメント(EN2)複合体CNNを提案する。
EN2はk空間サンプリングのメカニズムに似た周波数または位相エンコード方向の畳み込みを用いる。
また、複雑なk空間データからリッチ表現を学ぶために複雑な畳み込みを用いる。
論文 参考訳（メタデータ） (2023-06-21T02:08:27Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳（メタデータ） (2021-08-12T08:46:35Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z)
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。