論文の概要: Spatiotemporal Gaussian representation-based dynamic reconstruction and motion estimation framework for time-resolved volumetric MR imaging (DREME-GSMR)

• arxiv url: http://arxiv.org/abs/2604.06482v1
• Date: Tue, 07 Apr 2026 21:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.252164
• Title: Spatiotemporal Gaussian representation-based dynamic reconstruction and motion estimation framework for time-resolved volumetric MR imaging (DREME-GSMR)
• Title（参考訳）: 時空間的ガウス表現に基づく時間分解型体積MR画像(DREME-GSMR)の動的再構成と運動推定の枠組み
• Authors: Jiacheng Xie, Hua-Chieh Shao, Can Wu, Ricardo Otazo, Jie Deng, Mu-Han Lin, Tsuicheng Chiu, Jacob Buatti, Viktor Iakovenko, You Zhang,
• Abstract要約: 運動適応放射線治療において, 変形性運動堅牢性を解決するために, サブ秒内に3次元MRIを再構成する時間分解MRIが不可欠である。 解剖モデルや運動モデルを用いずに3次元MRIスキャンから時間分解能の動的MRI再構成を可能にするフレームワークを開発した。 DREME-Rは、400msの時間分解能のMRIを1時間10msの時間で再構成する。
• 参考スコア（独自算出の注目度）: 6.0648709483311185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-resolved volumetric MR imaging that reconstructs a 3D MRI within sub-seconds to resolve deformable motion is essential for motion-adaptive radiotherapy. Representing patient anatomy and associated motion fields as 3D Gaussians, we developed a spatiotemporal Gaussian representation-based framework (DREME-GSMR), which enables time-resolved dynamic MRI reconstruction from a pre-treatment 3D MR scan without any prior anatomical/motion model. DREME-GSMR represents a reference MRI volume and a corresponding low-rank motion model (as motion-basis components) using 3D Gaussians, and incorporates a dual-path MLP/CNN motion encoder to estimate temporal motion coefficients of the motion model from raw k-space-derived signals. Furthermore, using the solved motion model, DREME-GSMR can infer motion coefficients directly from new online k-space data, allowing subsequent intra-treatment volumetric MR imaging and motion tracking (real-time imaging). A motion-augmentation strategy is further introduced to improve robustness to unseen motion patterns during real-time imaging. DREME-GSMR was evaluated on the XCAT digital phantom, a physical motion phantom, and MR-LINAC datasets acquired from 6 healthy volunteers and 20 patients (with independent sequential scans for cross-evaluation). DREME-GSMR reconstructs MRIs of a ~400ms temporal resolution, with an inference time of ~10ms/volume. In XCAT experiments, DREME-GSMR achieved mean(s.d.) SSIM, tumor center-of-mass-error(COME), and DSC of 0.92(0.01)/0.91(0.02), 0.50(0.15)/0.65(0.19) mm, and 0.92(0.02)/0.92(0.03) for dynamic reconstruction/real-time imaging. For the physical phantom, the mean target COME was 1.19(0.94)/1.40(1.15) mm for dynamic/real-time imaging, while for volunteers and patients, the mean liver COME for real-time imaging was 1.31(0.82) and 0.96(0.64) mm, respectively.
• Abstract（参考訳）: 変形性運動を解決するために3次元MRIをサブ秒以内に再構成する時間分解型ボリュームMRIは、運動適応放射線治療に不可欠である。 患者解剖と3Dガウス運動野を3Dガウスとして表現し, 時間分解型3D MRスキャンから時間分解型動的MRI再構成が可能な時空間ガウス表現ベースフレームワーク(DREME-GSMR)を開発した。 DREME-GSMRは、3Dガウスを用いた基準MRIボリュームと対応する低ランクモーションモデル(モーションベーシックコンポーネント)を表し、デュアルパスMLP/CNNモーションエンコーダを組み込んで、生のk空間からの信号から運動モデルの時間的動き係数を推定する。 さらに、DREME-GSMRは、新しいオンラインk空間データから直接動き係数を推定し、その後の処理内容積MRイメージングとモーショントラッキング(リアルタイムイメージング)を可能にする。 リアルタイムイメージングにおいて、見えない動きパターンに対する堅牢性を改善するために、動き増強戦略が導入された。 DREME-GSMRは,健常者6名および患者20名から取得したXCATデジタルファントム,身体運動ファントム,MR-LINACデータセットを用いて評価した。 DREME-GSMRは、約400msの時間分解能でMRIを再構成し、推定時間は約10ms/volumeである。 XCAT実験では、DREME-GSMRはSSIM、腫瘍センター・オブ・マス・エラー(COME)、DSCは0.92(0.01)/0.91(0.02)、0.50(0.15)/0.65(0.19) mm、0.92(0.02)/0.92(0.03)をダイナミックリコンストラクション/リアルタイムイメージングで達成した。 身体的なファントムでは、平均目標COMEは1.19(0.94)/1.40(1.15)mm、ボランティアと患者では1.31(0.82)および0.96(0.64)mmであった。

関連論文リスト

• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• Non-rigid Motion Correction for MRI Reconstruction via Coarse-To-Fine Diffusion Models [2.8189656701789816]
  モーションアーティファクトは診断ユーティリティ、特にダイナミックイメージングに妥協する可能性がある。 そこで本稿では, ベスパイク拡散モデルを用いて, 動乱k空間データを共同で再構成し, 補正する, 交代最小化フレームワークを提案する。 実世界の心臓MRIデータセットと複雑なシミュレートされた剛性変形と非剛性変形の両方に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-05-21T03:27:21Z)
• 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)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction [7.532638301149741]
  磁気共鳴イメージング(MRI)の最重要課題は、取得時間短縮と運動アーティファクトの減少である 深層学習に基づく画像復元は、高分解能かつモーションアーティファクトのないMRI画像を生成するための有望なソリューションとして登場した。 本研究では, 擬似3次元MRI画像の超解像再構成(SRR)と動きアーチファクト縮小(MAR)のための統合された2次元ディープラーニングフレームワークを採用した。 ネットワークの精度は画素ワイドの不確実性マップを用いて評価し、最先端の手法に対して性能をベンチマークした。
  論文  参考訳（メタデータ） (2021-11-28T22:58:00Z)
• Fine-tuning deep learning model parameters for improved super-resolution of dynamic MRI with prior-knowledge [0.3914676152740142]
  本研究は,空間情報を最大化するために,事前知識に基づく微調整による超解像(SR)MRI再構成を提案する。 損失のあるU-Netベースのネットワークをベンチマークでトレーニングし、1つの被写体固有の静的高分解能MRIを用いて微調整を行い、高分解能ダイナミック画像を得る。
  論文  参考訳（メタデータ） (2021-02-04T16:11:53Z)

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。