論文の概要: CogGen: Cognitive-Load-Informed Fully Unsupervised Deep Generative Modeling for Compressively Sampled MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2603.04438v1
- Date: Fri, 20 Feb 2026 07:20:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 01:20:08.215205
- Title: CogGen: Cognitive-Load-Informed Fully Unsupervised Deep Generative Modeling for Compressively Sampled MRI Reconstruction
- Title（参考訳）: CogGen: 圧縮サンプリングMRI再構成のための認知的Load-informed Fully Unsupervised Deep Generative Modeling
- Authors: Qingyong Zhu, Yumin Tan, Xiang Gu, Dong Liang,
- Abstract要約: フル教師なし深部生成モデリング(FU-DGM)は、訓練データや計算量に制限がある場合、圧縮サンプリングMRI(CS-MRI)を約束する。
本稿では,CS-MRIを段階的インバージョンとし,本質的な難易度と外的干渉を段階的にスケジューリングすることでタスク側の「認知負荷」を規制する認知負荷インフォームFU-DGMであるCogGenを提案する。
- 参考スコア（独自算出の注目度）: 10.737692573533648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fully unsupervised deep generative modeling (FU-DGM) is promising for compressively sampled MRI (CS-MRI) when training data or compute are limited. Classical FU-DGMs such as DIP and INR rely on architectural priors, but the ill-conditioned inverse problem often demands many iterations and easily overfits measurement noise. We propose CogGen, a cognitive-load-informed FU-DGM that casts CS-MRI as staged inversion and regulates task-side "cognitive load" by progressively scheduling intrinsic difficulty and extraneous interference. CogGen replaces uniform data fitting with an easy-to-hard k-space weighting/selection strategy: early iterations emphasize low-frequency, high-SNR, structure-dominant samples, while higher-frequency or noise-dominated measurements are introduced later. We realize this schedule via self-paced curriculum learning with complementary student-mode (what the model can currently learn) and teacher-mode (what it should follow) criteria, supporting both soft weighting and hard selection. Experiments and analysis show that CogGen-DIP and CogGen-INR improve fidelity and convergence over strong unsupervised baselines and competitive supervised pipelines.
- Abstract（参考訳）: フル教師なし深部生成モデリング(FU-DGM)は、訓練データや計算量に制限がある場合、圧縮サンプリングMRI(CS-MRI)を約束する。
DIPやINRのような古典的なFU-DGMはアーキテクチャ上の前提に依存しているが、不条件の逆問題はしばしば多くの繰り返しを必要とし、測定ノイズに簡単に適合する。
本稿では,CS-MRIを段階的インバージョンとし,本質的な難易度と外的干渉を段階的にスケジューリングすることでタスク側の「認知負荷」を規制する認知負荷インフォームFU-DGMであるCogGenを提案する。
初期のイテレーションでは、低周波、高SNR、構造優先のサンプルが強調され、高周波またはノイズ優先の計測が後から導入されている。
このスケジュールは、学生モード(現在のモデルで学べるもの)と教師モード(従うべきもの)を補完し、ソフトウェイトとハードセレクションの両方をサポートするセルフペースのカリキュラム学習を通して実現している。
実験と解析により、CogGen-DIPとCogGen-INRは、強い教師なしベースラインと競争的教師付きパイプラインよりも忠実さと収束性を向上させることが示された。
関連論文リスト
- Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。
グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。
MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。
制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。
空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
論文 参考訳（メタデータ） (2026-03-02T04:57:52Z) - MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI [18.47534199434918]
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。
論文 参考訳（メタデータ） (2026-01-30T21:53:43Z) - 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) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。
視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。
我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。
IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z) - Compressed Sensing MRI Reconstruction Regularized by VAEs with
Structured Image Covariance [7.544757765701024]
本稿では, 逆問題に先立って, 地動画像に基づいて学習した生成モデルをどのように利用することができるかを検討する。
可変オートエンコーダ(VAE)を用いて、画像だけでなく、各画像に対する共分散不確実性行列を生成する。
提案した学習規則化手法を,他の学習規則化手法や教師なし,教師なしのディープラーニング手法と比較した。
論文 参考訳（メタデータ） (2022-10-26T09:51:49Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z) - 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) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-04-19T12:26:26Z) - MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。
玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
論文 参考訳（メタデータ） (2020-06-18T07:38:54Z)
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。