論文の概要: No Image, No Problem: End-to-End Multi-Task Cardiac Analysis from Undersampled k-Space

• arxiv url: http://arxiv.org/abs/2603.09945v1
• Date: Tue, 10 Mar 2026 17:38:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.510166
• Title: No Image, No Problem: End-to-End Multi-Task Cardiac Analysis from Undersampled k-Space
• Title（参考訳）: 画像なし、問題なし:アンダーサンプルk-スペースからエンド・ツー・エンドマルチタスク心電図解析
• Authors: Yundi Zhang, Sevgi Gokce Kafali, Niklas Bubeck, Daniel Rueckert, Jiazhen Pan,
• Abstract要約: 従来の臨床用CMRパイプラインは、シーケンシャルな「再構成・理論分析」パラダイムに依存している。 そこで我々は,k空間データと完全サンプル画像を共有意味多様体に整合させるk空間表現学習フレームワークk-MTRを提案する。 この潜在アライメントにより、アンダーサンプリング周波数から直接、高レベルの生理的意味論を組み込んだ密度の潜伏空間が実現可能であることを実証する。
• 参考スコア（独自算出の注目度）: 18.698217373650092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional clinical CMR pipelines rely on a sequential "reconstruct-then-analyze" paradigm, forcing an ill-posed intermediate step that introduces avoidable artifacts and information bottlenecks. This creates a fundamental mathematical paradox: it attempts to recover high-dimensional pixel arrays (i.e., images) from undersampled k-space, rather than directly extracting the low-dimensional physiological labels actually required for diagnosis. To unlock the direct diagnostic potential of k-space, we propose k-MTR (k-space Multi-Task Representation), a k-space representation learning framework that aligns undersampled k-space data and fully-sampled images into a shared semantic manifold. Leveraging a large-scale controlled simulation of 42,000 subjects, k-MTR forces the k-space encoder to restore anatomical information lost to undersampling directly within the latent space, bypassing the explicit inverse problem for downstream analysis. We demonstrate that this latent alignment enables the dense latent space embedded with high-level physiological semantics directly from undersampled frequencies. Across continuous phenotype regression, disease classification, and anatomical segmentation, k-MTR achieves highly competitive performance against state-of-the-art image-domain baselines. By showcasing that precise spatial geometries and multi-task features can be successfully recovered directly from the k-space representations, k-MTR provides a robust architectural blueprint for task-aware cardiac MRI workflows.
• Abstract（参考訳）: 従来の臨床用CMRパイプラインはシーケンシャルな「再構成・理論分析」パラダイムに依存しており、回避可能なアーティファクトと情報のボトルネックを導入するような中間段階を強制する。 これは基本的な数学的パラドックスを生み出し、診断に実際に必要とされる低次元の生理的ラベルを直接抽出するのではなく、アンダーサンプリングされたk空間から高次元のピクセル配列(つまり画像)を復元しようとする。 k空間の直接診断ポテンシャルを解放するために,k空間表現学習フレームワークk-MTR(k-space Multi-Task Representation)を提案する。 k-MTRは42,000人の被験者の大規模な制御シミュレーションを利用して、k空間エンコーダに潜伏空間内で直接アンサンプするために失われた解剖情報を復元させ、下流解析の明示的な逆問題を回避する。 この潜在アライメントにより、アンダーサンプリング周波数から直接、高レベルの生理的意味論を組み込んだ密度の潜伏空間が実現可能であることを実証する。 連続的表現型回帰、疾患分類、解剖学的分類において、k-MTRは最先端のイメージドメインベースラインに対して高い競争力を発揮する。 k空間表現から直接正確な空間幾何学とマルチタスク特徴を復元できることを示せば、k-MTRはタスク対応の心臓MRIワークフローのための堅牢なアーキテクチャの青写真を提供する。

関連論文リスト

• Direct low-field MRI super-resolution using undersampled k-space [1.376408511310322]
  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。
  論文  参考訳（メタデータ） (2026-02-28T14:23:31Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• 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)

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。