論文の概要: Single-Subject Multi-View MRI Super-Resolution via Implicit Neural Representations

• arxiv url: http://arxiv.org/abs/2603.22627v1
• Date: Mon, 23 Mar 2026 23:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.214538
• Title: Single-Subject Multi-View MRI Super-Resolution via Implicit Neural Representations
• Title（参考訳）: インプシットニューラル表現を用いた単目的マルチビューMRI超解像
• Authors: Heejong Kim, Abhishek Thanki, Roel van Herten, Daniel Margolis, Mert R Sabuncu,
• Abstract要約: SIMS-MRI(Single-Subject Implicit Multi-View Super-Resolution for MRI)を紹介する。 SIMS-MRIは、前処理や後処理を必要とせず、単一の患者からの異方性マルチビュースキャンのみで動作する。 提案手法は,複数解像度のハッシュ符号化された暗黙表現と学習されたビュー間アライメントを組み合わせることで,空間的に一貫した等方的再構成を生成する。
• 参考スコア（独自算出の注目度）: 4.471119405879635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical MRI frequently acquires anisotropic volumes with high in-plane resolution and low through-plane resolution to reduce acquisition time. Multiple orientations are therefore acquired to provide complementary anatomical information. Conventional integration of these views relies on registration followed by interpolation, which can degrade fine structural details. Recent deep learning-based super-resolution (SR) approaches have demonstrated strong performance in enhancing single-view images. However, their clinical reliability is often limited by the need for large-scale training datasets, resulting in increased dependence on cohort-level priors. Self-supervised strategies offer an alternative by learning directly from the target scans. Prior work either neglects the existence of multi-view information or assumes that in-plane information can supervise through-plane reconstruction under the assumption of pre-alignment between images. However, this assumption is rarely satisfied in clinical settings. In this work, we introduce Single-Subject Implicit Multi-View Super-Resolution for MRI (SIMS-MRI), a framework that operates solely on anisotropic multi-view scans from a single patient without requiring pre- or post-processing. Our method combines a multi-resolution hash-encoded implicit representation with learned inter-view alignment to generate a spatially consistent isotropic reconstruction. We validate the SIMS-MRI pipeline on both simulated brain and clinical prostate MRI datasets. Code will be made publicly available for reproducibility: https://github.com/abhshkt/SIMS-MRI
• Abstract（参考訳）: 臨床MRIでは、高平面分解能と低平面分解能の異方性ボリュームを頻繁に取得し、取得時間を短縮する。 したがって、複数の方向は相補的な解剖情報を提供するために取得される。 これらの見解の従来の統合は、詳細な構造的詳細を分解できる補間による登録に依存している。 近年の深層学習に基づく超解像法 (SR) は, シングルビュー画像の高精細化において高い性能を示した。 しかし、その臨床信頼性は大規模なトレーニングデータセットの必要性によって制限されることが多く、結果としてコホートレベルの事前への依存が増大する。 自己監督型戦略は、ターゲットスキャンから直接学習することで代替手段を提供する。 先行研究は、多視点情報の存在を無視するか、または画像間の事前調整を前提として、平面内情報が平面内再構成を監督できると仮定する。 しかし、この仮定が臨床環境で満たされることはめったにない。 本研究は, 単目的インプリシト・マルチビュー・スーパーリゾリューション・MRI(Single-Subject Implicit Multi-View Super-Resolution for MRI)を紹介する。 提案手法は,複数解像度のハッシュ符号化された暗黙表現と学習されたビュー間アライメントを組み合わせることで,空間的に一貫した等方的再構成を生成する。 シミュレーション脳と臨床前立腺MRIの両方でSIMS-MRIパイプラインを検証した。 コードは、再現性のために公開される。 https://github.com/abhshkt/SIMS-MRI

関連論文リスト

• M3Ret: Unleashing Zero-shot Multimodal Medical Image Retrieval via Self-Supervision [24.846428105192405]
  我々は、モダリティ固有のカスタマイズなしで、統一されたビジュアルエンコーダであるM3Retを訓練する。 生成的(MAE)およびコントラスト的(SimDINO)自己教師型学習(SSL)パラダイムを用いて、転送可能な表現をうまく学習する。 提案手法は,DINOv3 やテキスト教師付き BMC-CLIP などの強力なベースラインを超越して,すべてのモダリティを横断するゼロショット画像画像検索において,新たな最先端技術を実現する。
  論文  参考訳（メタデータ） (2025-09-01T10:59:39Z)
• 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)
• 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)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• Progressively Volumetrized Deep Generative Models for Data-Efficient Contextual Learning of MR Image Recovery [0.0]
  生成モデル(ProvoGAN)のための新しいプログレッシブボリューム化戦略を導入する。 ProvoGANは、複雑なボリューム画像復元タスクを、個別の直交次元にわたってタスク最適化された逐次断面積マッピングに分解する。 メインストリームのMRI再構成と合成タスクに関する総合的なデモでは、ProvoGANは最先端のボリュームモデルとクロスセクションモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-27T18:55:56Z)

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。