論文の概要: Bootstrapped Physically-Primed Neural Networks for Robust T2 Distribution Estimation in Low-SNR Pancreatic MRI

• arxiv url: http://arxiv.org/abs/2603.14084v1
• Date: Sat, 14 Mar 2026 19:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.589156
• Title: Bootstrapped Physically-Primed Neural Networks for Robust T2 Distribution Estimation in Low-SNR Pancreatic MRI
• Title（参考訳）: 低SNR膵MRIにおけるロバストT2分布推定のためのブートストラップ型物理値ニューラルネットワーク
• Authors: Hadas Ben Atya, Nicole Abramenkov, Noa Mashiah, Luise Brock, Daphna Link Sourani, Ram Weiss, Moti Freiman,
• Abstract要約: 本稿では,ロバストな分布T2推定のためのブートストラップに基づく推論フレームワークを提案する。 提案手法では, 推定時間ブートストレッピングを用いて, ノイズアーティファクトの滑らか化と, 基礎となる緩和分布への忠実度の向上を図る。 これらの結果から,低SNR腹部造影像における定量的T2緩和法の有用性が示唆された。
• 参考スコア（独自算出の注目度）: 1.2899392854599374
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Estimating multi-component T2 relaxation distributions from Multi-Echo Spin Echo (MESE) MRI is a severely ill-posed inverse problem, traditionally solved using regularized non-negative least squares (NNLS). In abdominal imaging, particularly the pancreas, low SNR and residual uncorrelated noise challenge classical solvers and deterministic deep learning models. We introduce a bootstrap-based inference framework for robust distributional T2 estimation that performs stochastic resampling of the echo train and aggregates predictions across multiple subsets. This treats the acquisition as a distribution rather than a fixed input, yielding variance-reduced, physically consistent estimates and converting deterministic relaxometry networks into probabilistic ensemble predictors. Applied to the P2T2 architecture, our method uses inference-time bootstrapping to smooth noise artifacts and enhance fidelity to the underlying relaxation distribution. Noninvasive pancreatic evaluation is limited by location and biopsy risks, highlighting the need for biomarkers capable of capturing early pathophysiological changes. In type 1 diabetes (T1DM), progressive beta-cell destruction begins years before overt hyperglycemia, yet current imaging cannot assess early islet decline. We evaluate clinical utility via a test-retest reproducibility study (N=7) and a T1DM versus healthy differentiation task (N=8). Our approach achieves the lowest Wasserstein distances across repeated scans and superior sensitivity to physiology-driven shifts in the relaxation-time distribution, outperforming NNLS and deterministic deep learning baselines. These results establish inference-time bootstrapping as an effective enhancement for quantitative T2 relaxometry in low-SNR abdominal imaging.
• Abstract（参考訳）: マルチエコースピンエコー(MESE)MRIによる多成分T2緩和分布の推定は、従来、正規化非負の最小二乗法(NNLS)を用いて解決されてきた深刻な逆問題である。 腹部画像,特に膵臓では,低SNR,低非相関ノイズは古典的解法や決定論的深層学習モデルに挑戦する。 本稿では、エコー列の確率的再サンプリングを行い、複数のサブセットにまたがる予測を集約する、ロバストな分布性T2推定のためのブートストラップに基づく推論フレームワークを提案する。 これは、この獲得を固定された入力ではなく分布として扱い、分散が再現され、物理的に一貫した見積もりをもたらし、決定論的緩和性ネットワークを確率論的アンサンブル予測器に変換する。 提案手法は,P2T2アーキテクチャに適用され,ノイズアーティファクトのスムーズ化と,基礎となる緩和分布への忠実度の向上を図る。 非侵襲的膵評価は、位置と生検リスクによって制限されており、早期の病態生理学的変化を捉えることができるバイオマーカーの必要性を強調している。 1型糖尿病(T1DM)では、進行性ベータ細胞破壊は高血糖を発症する数年前に開始されるが、現在の画像では早期の膵島減少を評価することはできない。 検査再現性試験 (N=7) とT1DM (N=8) を用いて臨床的有用性を評価する。 提案手法は, 反復スキャンにおけるワーサースタイン距離の最小化と, 緩和時間分布, NNLS, 決定論的深層学習ベースラインにおける生理的変化に対する感度の向上を実現する。 これらの結果から,低SNR腹部造影像における定量的T2緩和法の有用性が示唆された。

関連論文リスト

• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• DSA-NRP: No-Reflow Prediction from Angiographic Perfusion Dynamics in Stroke EVT [2.5191548037496805]
  持続的微小血管低灌流によって定義される非逆流は、組織回復を損なうとともに臨床結果の悪化を引き起こす。 標準的な臨床実践は、パルス後24時間以内に灌流磁気共鳴画像(MRI)に頼り、介入を遅らせる。 本稿では,血管内血栓摘出直後の血流の予測を行う機械学習フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-06-20T22:40:51Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• P2T2: a Physically-primed deep-neural-network approach for robust $T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI [0.0]
  MRIデータからT$の緩和時間分布を推定すると、様々な病態における炎症、脱髄、浮腫、軟骨組成を評価する貴重なバイオマーカーが得られる。 ディープニューラルネットワーク(DNN)に基づく手法は、MRIデータから$T$分布を推定する逆問題に対処するために提案されているが、SNR(Signal-to-Noise ratio)の低い臨床データには十分ではない。 我々は、信号減衰を前方に組み込む、$PT$と呼ばれる物理的に高価なDNNアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:20:11Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Uncertainty Estimation in Medical Image Localization: Towards Robust Anterior Thalamus Targeting for Deep Brain Stimulation [11.910765921234333]
  本稿では,2段階の深層学習(DL)フレームワークを提案する。 第1段階は、脳MRI全体から視床領域を特定して収穫する。 第2段階は、最も微細な解像度スケールで目標をローカライズするために、収穫された体積に対してボクセル単位の回帰を行う。
  論文  参考訳（メタデータ） (2020-11-03T23:43:52Z)

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。