論文の概要: Unsupervised 4D Flow MRI Velocity Enhancement and Unwrapping Using Divergence-Free Neural Networks

• arxiv url: http://arxiv.org/abs/2604.00205v1
• Date: Tue, 31 Mar 2026 20:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.708941
• Title: Unsupervised 4D Flow MRI Velocity Enhancement and Unwrapping Using Divergence-Free Neural Networks
• Title（参考訳）: ダイバージェンスフリーニューラルネットワークを用いた非教師なし4次元流れMRI速度向上とアンラッピング
• Authors: Javier Bisbal, Julio Sotelo, Hernán Mella, Oliver Welin Odeback, Joaquín Mura, David Marlevi, Junya Matsuda, Kotomi Iwata, Tetsuro Sekine, Cristian Tejos, Sergio Uribe,
• Abstract要約: 4D Flow Magnetic Resonance Imaging (4D Flow MRI)のための教師なしダイバージェンスとエイリアシングフリーニューラルネットワーク(DAF-FlowNet) DAF-FlowNetは、速度をベクトルポテンシャルのカールとしてパラメータ化し、構成による質量保存を強制する。 余弦データ一貫性損失は、ラップされた位相画像から同時に復調および解離を可能にする。
• 参考スコア（独自算出の注目度）: 1.2687886915975517
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work introduces an unsupervised Divergence and Aliasing-Free neural network (DAF-FlowNet) for 4D Flow Magnetic Resonance Imaging (4D Flow MRI) that jointly enhances noisy velocity fields and corrects phase wrapping artifacts. DAF-FlowNet parameterizes velocities as the curl of a vector potential, enforcing mass conservation by construction and avoiding explicit divergence-penalty tuning. A cosine data-consistency loss enables simultaneous denoising and unwrapping from wrapped phase images. On synthetic aortic 4D Flow MRI generated from computational fluid dynamics, DAF-FlowNet achieved lower errors than existing techniques (up to 11% lower velocity normalized root mean square error, 11% lower directional error, and 44% lower divergence relative to the best-performing alternative across noise levels), with robustness to moderate segmentation perturbations. For unwrapping, at peak velocity/velocity-encoding ratios of 1.4 and 2.1, DAF-FlowNet achieved 0.18% and 5.2% residual wrapped voxels, representing reductions of 72% and 18% relative to the best alternative method, respectively. In scenarios with both noise and aliasing, the proposed single-stage formulation outperformed a state-of-the-art sequential pipeline (up to 15% lower velocity normalized root mean square error, 11% lower directional error, and 28% lower divergence). Across 10 hypertrophic cardiomyopathy patient datasets, DAF-FlowNet preserved fine-scale flow features, corrected aliased regions, and improved internal flow consistency, as indicated by reduced inter-plane flow bias in aortic and pulmonary mass-conservation analyses recommended by the 4D Flow MRI consensus guidelines. These results support DAF-FlowNet as a framework that unifies velocity enhancement and phase unwrapping to improve the reliability of cardiovascular 4D Flow MRI.
• Abstract（参考訳）: 本研究では、4D Flow Magnetic Resonance Imaging (4D Flow MRI)のための教師なしダイバージェンス・エイリアシングフリーニューラルネットワーク(DAF-FlowNet)を導入する。 DAF-FlowNetは、速度をベクトルポテンシャルのカールとしてパラメータ化し、構成による質量保存を強制し、明示的なばらつき-ペナルティチューニングを避ける。 余弦データ一貫性損失は、ラップされた位相画像から同時に復調および解離を可能にする。 DAF-FlowNetは、計算流体力学から生成された合成大動脈4D Flow MRIにおいて、従来の手法よりも低い誤差(最大11%低い速度正規化根平均二乗誤差、11%低い方向誤差、44%低い偏差)を達成した。 解凍では, DAF-FlowNet のピーク速度/速度-エンコード比 1.4 と 2.1 で, それぞれ 0.18% と 5.2% の残存包絡ボクセルを達成し, それぞれ 72% と 18% の削減率を示した。 ノイズとエイリアスの両方のシナリオにおいて、提案された単一ステージの定式化は、最先端のシーケンシャルパイプライン(最大15%の速度正規化ルート平均二乗誤差、11%の方向誤差、28%のばらつき)より優れていた。 DAF-FlowNetは,10例の肥大型心筋症患者データセット,微細な血流特性の保存,エイリアス領域の修正,および4D Flow MRIコンセンサスガイドラインで推奨される大動脈と肺の大量保存分析における面内血流バイアスの低減が示すように,内部フローの整合性の改善を図った。 これらの結果は、心血管系4D Flow MRIの信頼性を向上させるために、速度向上と位相アンラッピングを統合化するためのフレームワークとしてDAF-FlowNetをサポートする。

関連論文リスト

• AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement [9.699345436140641]
  本稿では,吸着翻訳の剛体構成空間上のエネルギー条件ベクトル場を学習する決定論的生成モデルであるAdsorbFlowを紹介する。 50のアウト・オブ・ディストリビューションシステムでは、AdsorbFlowは58.0%のSR@10を維持し、MLFF-DFTギャップはわずか4ポイントである。
  論文  参考訳（メタデータ） (2026-02-22T17:53:53Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• RMFlow: Refined Mean Flow by a Noise-Injection Step for Multimodal Generation [12.979642182577157]
  平均フロー (MeanFlow) は効率よく高忠実な画像を生成することができるが、その単一関数評価 (1-NFE) 生成は説得力のある結果を得ることができないことが多い。 我々は、粗い1-NFE MeanFlowトランスポートと調整されたノイズ注入改善ステップを統合した、効率的なマルチモーダル生成モデルRMFlowを紹介する。 RMFlowは、1-NFEのみを使用してテキスト・トゥ・イメージ、コンテキスト・トゥ・分子、時系列生成に関する最先端の成果を、ベースラインのMeanFlowsに匹敵する計算コストで達成する。
  論文  参考訳（メタデータ） (2026-01-31T18:27:05Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Deep learning for temporal super-resolution 4D Flow MRI [34.90138772411514]
  本研究の目的は,時間的超解像4D Flow MRIのための残像ネットワークの実装と評価である。 患者固有のシリコモデル由来の合成4次元フローMRIデータと、in-vivoデータセットを用いてトレーニングおよび試験を行った。 以上の結果から, 時空間超解像4次元フローMRIにおけるデータ駆動型ニューラルネットワークの有用性が示唆された。
  論文  参考訳（メタデータ） (2025-01-15T13:01:47Z)
• Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
  ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。 DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
  論文  参考訳（メタデータ） (2025-01-09T01:22:22Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• Non-invasive hemodynamic analysis for aortic regurgitation using computational fluid dynamics and deep learning [2.150638298922378]
  心臓血管血行動態の変化は大動脈逆流(AR)の発生と密接に関連している 4次元(4次元)流磁気共鳴画像(MRI)を用いて非侵襲的に測定できる。 しかし、解像度の低さは、しばしば4次元フローMRIと複雑なAR血行動態の限界によって生じる。 これを解決するために、計算流体力学シミュレーションを合成された4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。
  論文  参考訳（メタデータ） (2021-11-23T05:19:42Z)
• 4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and Computational Fluid Dynamics [0.0795451369160375]
  画像解像度の上昇は、特に異常な血流を持つ患者において、より正確で、血流のより良い評価を可能にする。 計算流体力学シミュレーションを用いて, 合成4次元フローMRIデータを生成する。 我々の新しい4DFlowNetネットワークは, この合成4Dフローデータをトレーニングし, 2。
  論文  参考訳（メタデータ） (2020-04-15T12:16:52Z)

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。