論文の概要: Low-Field Magnetic Resonance Image Quality Enhancement using Undersampled k-Space and Out-of-Distribution Generalisation

• arxiv url: http://arxiv.org/abs/2603.14120v1
• Date: Sat, 14 Mar 2026 21:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.612654
• Title: Low-Field Magnetic Resonance Image Quality Enhancement using Undersampled k-Space and Out-of-Distribution Generalisation
• Title（参考訳）: アンダーサンプルk空間とアウト・オブ・ディストリビューション一般化を用いた低磁場磁気共鳴画像品質向上
• Authors: Daniel Tweneboah Anyimadu, Mohammed M. Abdelsamea, Ahmed Karam Eldaly,
• Abstract要約: アンサンプされた低磁場MRIk空間から直接高磁場MRI像を再構成する新しい枠組みを提案する。 この研究は、低磁場MR画像再構成、アンダーサンプルk空間による品質向上、統一されたフレームワークにおける不確実な定量化を組み込んだ最初のものの一つである。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-field magnetic resonance imaging (MRI) offers affordable access to diagnostic imaging but faces challenges such as prolonged acquisition times and reduced image quality. Although accelerated imaging via k-space undersampling helps reduce scan time, image quality enhancement methods often rely on spatial-domain postprocessing. Deep learning achieved state-of-the-art results in both domains. However, most models are trained and evaluated using in-distribution (InD) data, creating a significant gap in understanding model performance when tested using out-of-distribution (OOD) data. To address these issues, we propose a novel framework that reconstructs high-field-like MR images directly from undersampled low-field MRI k-space, quantifies the impact of reduced sampling, and evaluates the generalisability of the model using OOD. Our approach utilises a k-space dual channel U-Net to jointly process the real and imaginary components of undersampled k-space, restoring missing frequency content, and incorporates an ensemble strategy to generate uncertainty maps. Experiments on low-field brain MRI demonstrate that our k-space-driven image quality enhancement outperforms the counterpart spatial-domain and other state-of-the-art baselines, achieving image quality comparable to full high-field k-space acquisitions using OOD data. To the best of our knowledge, this work is among the first to combine low-field MR image reconstruction, quality enhancement using undersampled k-space, and uncertainty quantification within a unified framework.
• Abstract（参考訳）: 低磁場磁気共鳴イメージング(MRI)は、診断画像への安価なアクセスを提供するが、長い取得時間や画質の低下といった課題に直面している。 k空間アンダーサンプリングによる高速化はスキャン時間を短縮するが、画質向上手法は空間領域後処理に依存することが多い。 ディープラーニングは両方の領域で最先端の結果を得た。 しかし、ほとんどのモデルはIn-distribution(InD)データを用いてトレーニングされ、評価され、out-of-distriion(OOD)データを用いてテストした場合、モデルパフォーマンスの理解に大きなギャップが生じる。 これらの課題に対処するため,低磁場MRIk空間から高磁場MRI画像を直接再構成し,サンプリングの削減の影響を定量化し,OODを用いたモデルの汎用性を評価する新しいフレームワークを提案する。 提案手法では,k-spaceデュアルチャネルU-Netを用いて,アンサンプ付きk-spaceの実・想像的コンポーネントを共同処理し,欠落した周波数コンテンツを復元し,アンサンブル戦略を組み込んで不確実性マップを生成する。 低磁場脳MRI実験により、我々のk空間駆動の画像品質向上は、対応する空間領域や他の最先端のベースラインよりも優れており、OODデータを用いた全高磁場k空間取得に匹敵する画像品質を達成することが示された。 我々の知る限り、この研究は、低磁場MR画像再構成、アンダーサンプされたk空間による品質向上、統一されたフレームワークにおける不確実な定量化を最初に組み合わせたものである。

関連論文リスト

• Low-Field Magnetic Resonance Image Enhancement using Undersampled k-Space [1.2599533416395765]
  超解像低磁場MR画像に対して,k空間で直接動作するU-Net変種に基づく新しいディープラーニングフレームワークを提案する。 本結果から, アンサンプ付きk空間再構成は, 完全k空間獲得に匹敵する品質を実現することが示された。
  論文  参考訳（メタデータ） (2026-03-14T21:25:46Z)
• 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)
• 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)
• NeRF Solves Undersampled MRI Reconstruction [1.3597551064547502]
  本稿では,Neural Radiance Field(NeRF)の概念を利用したMRI技術について述べる。 ラジアルアンダーサンプリングにより、対応する撮像問題をスパースビューレンダリングデータから画像モデリングタスクに再構成することができる。 空間座標から画像強度を出力する多層パーセプトロンは、所定の測定データと所望の画像との間のMR物理駆動レンダリング関係を学習する。
  論文  参考訳（メタデータ） (2024-02-20T18:37:42Z)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• 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)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。