論文の概要: Anatomical Token Uncertainty for Transformer-Guided Active MRI Acquisition

• arxiv url: http://arxiv.org/abs/2603.21806v2
• Date: Sun, 29 Mar 2026 07:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 13:48:18.776261
• Title: Anatomical Token Uncertainty for Transformer-Guided Active MRI Acquisition
• Title（参考訳）: Transformer-Guided Active MRI 取得における解剖学的検査の不確かさ
• Authors: Lev Ayzenberg, Shady Abu-Hussein, Raja Giryes, Hayit Greenspan,
• Abstract要約: MRIにおける完全なデータ取得は本質的に遅いため、臨床のスループットが制限され、患者の不快感が増す。 CSMRIは、アンダーサンプルのkspaceデータからイメージを再構成することで、取得を加速しようとしている。
• 参考スコア（独自算出の注目度）: 27.825869252861335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Full data acquisition in MRI is inherently slow, which limits clinical throughput and increases patient discomfort. Compressed Sensing MRI (CS-MRI) seeks to accelerate acquisition by reconstructing images from under-sampled k-space data, requiring both an optimal sampling trajectory and a high-fidelity reconstruction model. In this work, we propose a novel active sampling framework that leverages the inherent discrete structure of a pretrained medical image tokenizer and a latent transformer. By representing anatomy through a dictionary of quantized visual tokens, the model provides a well-defined probability distribution over the latent space. We utilize this distribution to derive a principled uncertainty measure via token entropy, which guides the active sampling process. We introduce two strategies to exploit this latent uncertainty: (1) Latent Entropy Selection (LES), projecting patch-wise token entropy into the $k$-space domain to identify informative sampling lines, and (2) Gradient-based Entropy Optimization (GEO), which identifies regions of maximum uncertainty reduction via the $k$-space gradient of a total latent entropy loss. We evaluate our framework on the fastMRI singlecoil Knee and Brain datasets at $\times 8$ and $\times 16$ acceleration. Our results demonstrate that our active policies outperform state-of-the-art baselines in perceptual metrics, and feature-based distances. Our code is available at https://github.com/levayz/TRUST-MRI.
• Abstract（参考訳）: MRIにおける完全なデータ取得は本質的に遅いため、臨床のスループットが制限され、患者の不快感が増す。 Compressed Sensing MRI (CS-MRI) は、サンプルの少ないk空間データから画像を再構成し、最適なサンプリング軌跡と高忠実度再構成モデルの両方を必要とすることにより、取得を加速することを目指している。 本研究では,予め訓練された医用画像トークンーザと潜伏トランスフォーマーの固有の離散構造を利用する,新しいアクティブサンプリングフレームワークを提案する。 量子化された視覚トークンの辞書を通して解剖を表現することにより、モデルは潜在空間上の明確に定義された確率分布を提供する。 この分布を利用してトークンエントロピーによる原理的不確実性尺度を導出し, アクティブサンプリングプロセスの導出を行う。 本稿では,(1)潜在エントロピー選択(LES, Latent Entropy Selection, パッチワイドトークンのエントロピーを$k$-spaceドメインに投影して情報サンプリング線を識別する手法)と(2)潜在エントロピー損失の$k$-space勾配による最大不確実性低減の領域を同定する勾配ベースエントロピー最適化(GEO, Gradient-based Entropy Optimization, GEO)を提案する。 fastMRIシングルコイルKneeとBrainデータセットのフレームワークを$\times 8$と$\times 16$Accelerrationで評価した。 以上の結果から,我々の活動方針は,知覚的指標や特徴に基づく距離において,最先端のベースラインを上回っていることが示された。 私たちのコードはhttps://github.com/levayz/TRUST-MRIで公開されています。

関連論文リスト

• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Accelerated Patient-specific Non-Cartesian MRI Reconstruction using Implicit Neural Representations [8.781276186760962]
  我々は,デ・ノボをアンサンプした非カルテシアンk空間再構築のための新しい生成的訓練型暗黙的ニューラル表現(k-GINR)を開発した。 k-GINRは、非常に高い加速で観測されるパフォーマンス上の優位性により、ベースラインを一貫して上回った。
  論文  参考訳（メタデータ） (2025-03-07T00:05:43Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• 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)
• 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)
• CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [9.783361575598025]
  CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。 実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
  論文  参考訳（メタデータ） (2022-10-12T15:49:51Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)

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。