論文の概要: Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning

• arxiv url: http://arxiv.org/abs/2603.13007v1
• Date: Fri, 13 Mar 2026 14:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.107733
• Title: Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning
• Title（参考訳）: 大規模前訓練とターゲット特異的微調整による拡散確率モデルによるストロークMRIの高速化
• Authors: Yamin Arefeen, Sidharth Kumar, Steven Warach, Hamidreza Saber, Jonathan Tamir,
• Abstract要約: Diffusion Probabilistic Generative Models (DPMs) は、完全サンプルデータのみが利用可能な場合に臨床脳卒中MRIのスキャン時間を短縮する。 非FLAIRのコントラストを有する約4000名の被験者にプレトレーニングを行い、FLAIRデータに微調整を行った。 学習率の低下による適度な微調整では性能が向上する一方,過度の微調整では再建品質が低下することが実験で明らかになった。
• 参考スコア（独自算出の注目度）: 1.8975305240365417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To develop a data-efficient strategy for accelerated MRI reconstruction with Diffusion Probabilistic Generative Models (DPMs) that enables faster scan times in clinical stroke MRI when only limited fully-sampled data samples are available. Methods: Our simple training strategy, inspired by the foundation model paradigm, first trains a DPM on a large, diverse collection of publicly available brain MRI data in fastMRI and then fine-tunes on a small dataset from the target application using carefully selected learning rates and fine-tuning durations. The approach is evaluated on controlled fastMRI experiments and on clinical stroke MRI data with a blinded clinical reader study. Results: DPMs pre-trained on approximately 4000 subjects with non-FLAIR contrasts and fine-tuned on FLAIR data from only 20 target subjects achieve reconstruction performance comparable to models trained with substantially more target-domain FLAIR data across multiple acceleration factors. Experiments reveal that moderate fine-tuning with a reduced learning rate yields improved performance, while insufficient or excessive fine-tuning degrades reconstruction quality. When applied to clinical stroke MRI, a blinded reader study involving two neuroradiologists indicates that images reconstructed using the proposed approach from $2 \times$ accelerated data are non-inferior to standard-of-care in terms of image quality and structural delineation. Conclusion: Large-scale pre-training combined with targeted fine-tuning enables DPM-based MRI reconstruction in data-constrained, accelerated clinical stroke MRI. The proposed approach substantially reduces the need for large application-specific datasets while maintaining clinically acceptable image quality, supporting the use of foundation-inspired diffusion models for accelerated MRI in targeted applications.
• Abstract（参考訳）: 目的:DPM(Diffusion Probabilistic Generative Models)を用いたMRIの高速化のためのデータ効率向上戦略を開発すること。 方法: 基礎モデルパラダイムにインスパイアされた簡単なトレーニング戦略では,まずDPMを大量の公開脳MRIデータを高速MRIでトレーニングし,その後,慎重に選択された学習率と微調整期間を用いてターゲットアプリケーションから小さなデータセットに微調整する。 この手法は、制御された高速MRI実験および臨床脳卒中MRIデータに基づいて、ブラインドドクリニカルリーダー研究により評価された。 結果: DPMは, 約4000名の非FLAIRコントラストで事前訓練され, 20名の対象者のみからのFLAIRデータに微調整され, 複数のアクセラレーション因子にまたがる目標ドメインFLAIRデータを用いてトレーニングされたモデルに匹敵する再現性能が得られた。 学習率の低下による適度な微調整では性能が向上する一方,過度の微調整では再建品質が低下することが実験で明らかになった。 臨床脳卒中MRIに応用すると、2人の神経放射線科医による盲目の読影者による研究は、提案した2ドル以上の加速データからのアプローチで再構成された画像は、画像の品質と構造的デライン化の点で、標準的治療に非優位であることを示している。 結論: 大規模プレトレーニングと目標微調整を組み合わせることで, DPMをベースとしたMRIを, データに拘束された, 加速された臨床脳卒中MRIで再現することが可能になる。 提案手法は,臨床に許容される画像品質を維持しつつ,大規模なアプリケーション固有のデータセットの必要性を大幅に低減し,ターゲットアプリケーションにおけるMRIの高速化に基礎に着想を得た拡散モデルの利用を支援する。

関連論文リスト

• MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors [0.0280162601599316]
  プラグアンドプレイの定量的再構成フレームワークであるMRI2Qmapを紹介する。 物理取得モデルと、大規模なマルチモーダル重み付きMRIデータセットで事前訓練されたディープ・デノナイズ・オートエンコーダから学んだ事前情報を統合する。 提案手法は,in-vivo およびsimulated acquisitions から高高速化された3次元脳内MRFデータに対して検証を行った。
  論文  参考訳（メタデータ） (2026-03-11T21:23:52Z)
• Patch-Based Diffusion for Data-Efficient, Radiologist-Preferred MRI Reconstruction [30.203473273516895]
  パッチベースの拡散モデルでは、小さな実数値データセットよりも効果的なデータ駆動の事前学習が期待できる。 本研究では,25k領域の画像の小さなデータセットでトレーニングしたPaDIS-MRIモデルが,画像品質の指標でFastMRI-EDMより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T20:18:56Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Diffusion Probabilistic Generative Models for Accelerated, in-NICU Permanent Magnet Neonatal MRI [2.1400895396229913]
  新生児集中治療室(NICU)で活動する永久磁石スキャナーは、乳幼児のMRIを促進する。 これらのスキャナは、信号対雑音比(SNR)が低く、受信コイルが制限されているため、長い走査時間を持つ。 この研究は、トレーニングパイプラインを開発することで拡散確率的生成モデルを用いてNICU内MRIを高速化する。
  論文  参考訳（メタデータ） (2025-05-21T20:05:45Z)
• 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)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• A Path Towards Clinical Adaptation of Accelerated MRI [0.0]
  臨床関連性を高めるために,ニューラルネットワークMRI画像再構成器の強化について検討する。 MR信号データに可変加速度因子を付加したトレーニングコンストラクタは, 臨床患者検診における平均性能を最大で2%向上できることを示した。
  論文  参考訳（メタデータ） (2022-08-26T18:34:41Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。