論文の概要: Low-Field Magnetic Resonance Image Enhancement using Undersampled k-Space

• arxiv url: http://arxiv.org/abs/2603.14125v1
• Date: Sat, 14 Mar 2026 21:25:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.617256
• Title: Low-Field Magnetic Resonance Image Enhancement using Undersampled k-Space
• Title（参考訳）: アンダーサンプルk空間を用いた低磁場磁気共鳴画像強調
• Authors: Daniel Tweneboah Anyimadu, Mohammed Abdalla, Mohammed M. Abdelsamea, Ahmed Karam Eldaly,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-field magnetic resonance imaging (MRI) offers a cost-effective alternative for medical imaging in resource-limited settings. However, its widespread adoption is hindered by two key challenges: prolonged scan times and reduced image quality. Accelerated acquisition can be achieved using k-space undersampling, while image enhancement traditionally relies on spatial-domain postprocessing. In this work, we propose a novel deep learning framework based on a U-Net variant that operates directly in k-space to super-resolve low-field MR images directly using undersampled data while quantifying the impact of reduced k-space sampling. Unlike conventional approaches that treat image super-resolution as a postprocessing step following image reconstruction from undersampled k-space, our unified model integrates both processes, leveraging k-space information to achieve superior image fidelity. Extensive experiments on synthetic and real low-field brain MRI datasets demonstrate that k-space-driven image super-resolution outperforms conventional spatial-domain counterparts. Furthermore, our results show that undersampled k-space reconstructions achieve comparable quality to full k-space acquisitions, enabling substantial scan-time acceleration without compromising diagnostic utility.
• Abstract（参考訳）: 低磁場MRI(low-field magnetic resonance imaging)は、リソース制限設定における医療画像の費用対効果を提供する。 しかし、その普及はスキャン時間の延長と画質の低下という2つの大きな課題によって妨げられている。 高速化された取得はk空間アンダーサンプリングを用いて達成できるが、画像強調は伝統的に空間領域後処理に依存している。 そこで本研究では,k-space 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し,k-space サンプリングの影響を定量化しながら,アンダーサンプルデータを用いて,低磁場MR画像を直接分解する。 画像超解像を、アンサンプされたk空間からのイメージ再構成後の後処理ステップとして扱う従来の手法とは異なり、我々の統合モデルは、k空間情報を活用して、優れた画像忠実性を実現する。 合成および実低磁場脳MRIデータセットの大規模な実験により、k空間駆動画像の超解像が従来の空間領域よりも優れていることが示された。 さらに, アンサンプされたk空間再構成は, 完全k空間獲得に匹敵する品質を実現し, 診断能を損なうことなく, スキャンタイムの大幅な高速化を実現していることを示す。

関連論文リスト

• Low-Field Magnetic Resonance Image Quality Enhancement using Undersampled k-Space and Out-of-Distribution Generalisation [1.376408511310322]
  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。
  論文  参考訳（メタデータ） (2026-03-14T21:11:30Z)
• 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)
• 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)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• 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。