論文の概要: Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI

• arxiv url: http://arxiv.org/abs/2603.18309v1
• Date: Wed, 18 Mar 2026 21:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.861607
• Title: Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI
• Title（参考訳）: 高速3D LGE MRIにおける統合的超解像再構成法の検討
• Authors: Md Hasibul Husain Hisham, Shireen Elhabian, Ganesh Adluru, Jason Mendes, Andrew Arai, Eugene Kholmovski, Ravi Ranjan, Edward DiBella,
• Abstract要約: 本稿では,最適化ループの各イテレーションにおいて,EDSRネットワークを演算子に置き換えるハイブリッドアンロール型再構成フレームワークを提案する。 そこで提案手法は,PSNR と SSIM を標準的アンロール型再構成よりも常に改良する。 これらの結果から, 3次元LGE MRIでは, 超高分解能前兆を直接モデルベース再構成に組み込むことで, 測定精度が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.07026564887314535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerated 3D late gadolinium enhancement (LGE) MRI requires robust reconstruction methods to recover thin atrial structures from undersampled k-space data. While unrolled model-based networks effectively integrate physics-driven data consistency with learned priors, they operate at the acquired resolution and may fail to fully recover high-frequency detail. We propose a hybrid unrolled reconstruction framework in which an Enhanced Deep Super-Resolution (EDSR) network replaces the proximal operator within each iteration of the optimization loop, enabling joint super-resolution enhancement and data consistency enforcement. The model is trained end-to-end on retrospectively undersampled preclinical 3D LGE datasets and compared against compressed sensing, Model-Based Deep Learning (MoDL), and self-guided Deep Image Prior (DIP) baselines. Across acceleration factors, the proposed method consistently improves PSNR and SSIM over standard unrolled reconstruction and better preserves fine cardiac structures, leading to improved LA (left atrium) segmentation performance. These results demonstrate that integrating super-resolution priors directly within model-based reconstruction provides measurable gains in accelerated 3D LGE MRI.
• Abstract（参考訳）: 加速度化3D後期ガドリニウム増強(LGE)MRIは、アンダーサンプリングされたk空間データから薄い心房構造を復元するために頑健な再建法を必要とする。 アンロールされたモデルベースネットワークは、物理駆動のデータ一貫性を学習前と効果的に統合するが、取得した解像度で動作し、高周波の詳細を完全に回復できない可能性がある。 本稿では,最適化ループの各イテレーションにおいて,EDSRネットワークが近似演算子を置き換えるハイブリッドなアンロール型再構成フレームワークを提案する。 このモデルは、遡及的にアンサンプされた3D LGEデータセットに基づいてエンドツーエンドにトレーニングされ、圧縮センシング、モデルベースディープラーニング(MoDL)、自己誘導のDeep Image Prior(DIP)ベースラインと比較される。 加速因子全体にわたって、提案手法は標準的アンロール再建よりもPSNRとSSIMを一貫して改善し、微細な心構造を保存し、LAセグメンテーション性能を向上させる。 これらの結果から, 3次元LGE MRIでは, 超高分解能前兆を直接モデルベース再構成に組み込むことで, 測定精度が向上することが示唆された。

関連論文リスト

• DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
  血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。 ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。 本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
  論文  参考訳（メタデータ） (2026-03-05T03:41:08Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• Frequency Error-Guided Under-sampling Optimization for Multi-Contrast MRI Reconstruction [24.246450246745905]
  マルチコントラストMRIは,完全サンプリング参照スキャンからの補完情報を活用することで,有望な方向として現れる。 既存のアプローチには,(1)表面的参照融合戦略,(2)参照コントラストによって提供される補完情報の不十分な利用,(3)固定アンダーサンプリングパターンの3つの大きな制限がある。 本稿では,これらの問題に対処するための,効率よく解釈可能な周波数誤差誘導再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-14T09:40:34Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction [7.268308489093152]
  等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。 高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。 大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T04:53:59Z)
• Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction [40.34650079545031]
  提案手法は, 再現を加速し, 臨界ハイパーパラメータの数を減少させる3次元再構成の実践的手法である。 本手法は既存のSGMによるPET再構成のNAMSEとSSIMに適合または改善可能であることを示す。 実3D PETデータ,具体的には[18$F]DPA-714データに対するSGMベースの再構成の初回実装を実演する。
  論文  参考訳（メタデータ） (2024-12-05T16:58:45Z)
• Optimization-Based Deep learning methods for Magnetic Resonance Imaging Reconstruction and Synthesis [0.0]
  この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。 第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。 第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。 第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
  論文  参考訳（メタデータ） (2023-03-02T18:59:44Z)

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。