論文の概要: Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI
- arxiv url: http://arxiv.org/abs/2603.04638v1
- Date: Wed, 04 Mar 2026 21:57:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:10.990159
- Title: Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI
- Title（参考訳）: 拡散MRIからの透過性を考慮した組織再構成のためのスピンバース微分物理
- Authors: Prathamesh Pradeep Khole, Mario M. Brenes, Zahra Kais Petiwala, Ehsan Mirafzali, Utkarsh Gupta, Jing-Rebecca Li, Andrada Ianus, Razvan Marinescu,
- Abstract要約: 我々は,dMRI計測を反転させる透過性を考慮した再構成手法であるSpinverseを提案する。
スピンバースは固定された四面体格子上の組織を表し、各内面透過性を学習可能なパラメータとして扱う。
多様な測地を再構成し、配列スケジューリングと正規化がアウトラインのみの解を避けるために重要であることを示す。
- 参考スコア（独自算出の注目度）: 1.6863755729554886
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Diffusion MRI (dMRI) is sensitive to microstructural barriers, yet most existing methods either assume impermeable boundaries or estimate voxel-level parameters without recovering explicit interfaces. We present Spinverse, a permeability-aware reconstruction method that inverts dMRI measurements through a fully differentiable Bloch-Torrey simulator. Spinverse represents tissue on a fixed tetrahedral grid and treats each interior face permeability as a learnable parameter; low-permeability faces act as diffusion barriers, so microstructural boundaries whose topology is not fixed a priori (up to the resolution of the ambient mesh) emerge without changing mesh connectivity or vertex positions. Given a target signal, we optimize face permeabilities by backpropagating a signal-matching loss through the PDE forward model, and recover an interface by thresholding the learned permeability field. To mitigate the ill-posedness of permeability inversion, we use mesh-based geometric priors; to avoid local minima, we use a staged multi-sequence optimization curriculum. Across a collection of synthetic voxel meshes, Spinverse reconstructs diverse geometries and demonstrates that sequence scheduling and regularization are critical to avoid outline-only solutions while improving both boundary accuracy and structural validity.
- Abstract（参考訳）: 拡散MRI(dMRI)は微細な障壁に敏感であるが、既存のほとんどの手法では、明示的なインターフェースを回復することなく、不透過性境界を仮定するか、ボクセルレベルのパラメータを推定する。
完全微分可能なBloch-Torreyシミュレータを用いて,dMRI計測を反転させる透過性を考慮した再構成手法Spinverseを提案する。
スピンバースは固定された四面体格子上の組織を表し、各内面透過性を学習可能なパラメータとして扱い、低透過性面は拡散障壁として作用するため、メッシュ接続や頂点位置を変更することなく、トポロジーが固定されていない(周囲メッシュの解像度まで)マイクロ構造境界が出現する。
対象信号が与えられた場合、PDEフォワードモデルを通して信号マッチング損失をバックプロパゲートすることで顔透過性を最適化し、学習された透過性フィールドをしきい値にすることでインターフェースを復元する。
透過性逆転の悪さを軽減するためにメッシュベースの幾何先行法を用い,局所最小化を避けるために,段階的マルチシーケンス最適化のカリキュラムを用いる。
合成ボクセルメッシュの集合全体にわたって、Spinverseは多様なジオメトリを再構成し、配列スケジューリングと規則化が、境界精度と構造的妥当性の両方を改善しつつ、アウトラインのみの解を避けるために重要であることを示した。
関連論文リスト
- Leveraging Geometric Prior Uncertainty and Complementary Constraints for High-Fidelity Neural Indoor Surface Reconstruction [19.155158073951544]
GPU-SDFは、屋内表面再構成のためのニューラルネットワークの暗黙のフレームワークである。
幾何的な事前不確実性と相補的な制約を利用する。
詳細の再構築を改善し、既存のフレームワークのプラグイン・アンド・プレイ・エンハンスメントとして機能する。
論文 参考訳（メタデータ） (2026-02-27T11:21:25Z) - GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media [0.8594140167290095]
多相媒体における逆問題と逆設計は、離散値の材料フィールドを操作する必要がある。
我々は、精密な離散的な微細構造を保持する統一的な生成フレームワークGenPANISを提案する。
微分可能な粗粒PDEソルバを組み込んだ物理対応デコーダは、支配方程式構造を保存する。
論文 参考訳（メタデータ） (2026-02-16T11:08:30Z) - MirrorLA: Reflecting Feature Map for Vision Linear Attention [49.41670925034762]
リニアアテンションはトランスフォーマーの2次から線形への計算複雑性を著しく低下させるが、パフォーマンスにおけるソフトマックスに基づくアテンションの遅れは一貫して遅れる。
我々は、受動トランケーションをアクティブなリオリエンテーションに置き換える幾何学的枠組みであるMirrorLAを提案する。
MirrorLAは標準的なベンチマークで最先端のパフォーマンスを実現し、表現の忠実さを損なうことなく厳密な線形効率を実現できることを示した。
論文 参考訳（メタデータ） (2026-02-04T09:14:09Z) - Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。
DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
論文 参考訳（メタデータ） (2026-01-31T11:05:35Z) - Intrinsic-Metric Physics-Informed Neural Networks (IM-PINN) for Reaction-Diffusion Dynamics on Complex Riemannian Manifolds [0.0]
本研究は,本質的物理インフォームドニューラルネットワーク(IM-PINN)を紹介する。
メッシュのない幾何学的深層学習フレームワークであり、連続パラメトリック領域において偏微分方程式を直接解く。
このフレームワークは、進化する表面上の生物学的パターンの形成をシミュレートするための、メモリ効率が高く、解像度に依存しないパラダイムを提供する。
論文 参考訳（メタデータ） (2025-12-26T12:41:05Z) - Cryo-EM as a Stochastic Inverse Problem [3.7068356204071637]
核電子顕微鏡(Cryo-EM)は、生体分子の高分解能イメージングを可能にする。
伝統的な手法では、離散的なコンフォーメーションの集合を仮定し、連続的な構造的変動を回復する能力を制限する。
本稿では, 逆問題 (SIP) としてCreo-EM再構成を定式化する。
コンフォメーション・アンサンブルを表現・進化させるために粒子を用いて数値的に解く。
論文 参考訳（メタデータ） (2025-09-05T23:35:04Z) - SimCortex: Collision-free Simultaneous Cortical Surfaces Reconstruction [0.30586855806896046]
現在の手法では、複雑な皮質幾何学、厳密な位相的要件、重なり合い、自己断面積、位相的欠陥のある曲面をしばしば生成しなければならない。
我々は、T1強調(T1w)MRIボリュームからすべての脳表面を同時に再構築するディープラーニングフレームワークであるSimCortexを紹介する。
提案手法は表面衝突や自己断面積を著しく減らしたスムーズなトポロジー保存変換を実現する。
論文 参考訳（メタデータ） (2025-07-09T15:38:38Z) - Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。
以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。
我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。
この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
論文 参考訳（メタデータ） (2025-06-28T01:46:36Z) - Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。
学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。
また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
論文 参考訳（メタデータ） (2025-02-14T03:26:57Z) - 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) - Noise-resilient Edge Modes on a Chain of Superconducting Qubits [103.93329374521808]
量子系の遺伝対称性は、それ以外は脆弱な状態を保護することができる。
非局所マヨラナエッジモード(MEM)を$mathbbZ$パリティ対称性で表す一次元キックドイジングモデルを実装した。
MEMは、予熱機構により特定の対称性を破るノイズに対して弾力性があることが判明した。
論文 参考訳（メタデータ） (2022-04-24T22:34:15Z)
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。