論文の概要: PERCEPT-Net: A Perceptual Loss Driven Framework for Reducing MRI Artifact Tissue Confusion

• arxiv url: http://arxiv.org/abs/2604.10439v1
• Date: Sun, 12 Apr 2026 03:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.01733
• Title: PERCEPT-Net: A Perceptual Loss Driven Framework for Reducing MRI Artifact Tissue Confusion
• Title（参考訳）: PerCEPT-Net:MRIアーチファクト組織融合抑制のための知覚損失駆動フレームワーク
• Authors: Ziheng Guo, Danqun Zheng, Chengwei Chen, Boyang Pan, Shuai Li, Ziqin Yu, Xiaoxiao Chen, Langdi Zhong, Yun Bian, Nan-Jie Gong,
• Abstract要約: PERCEPT-Netは、構造保存アーティファクトの抑制を専門的に管理するフレームワークである。 トレーニングでは、リアルおよびシミュレートされたシーケンスのハイブリッドデータセットを使用した。 PerCEPT-Netは臨床データにおいて最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 6.8971378641836445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Existing deep learning-based MRI artifact correction models exhibit poor clinical generalization due to inherent artifact-tissue confusion, failing to discriminate artifacts from anatomical structures. To resolve this, we introduce PERCEPT-Net, a framework leveraging dedicated perceptual supervision for structure-preserving artifact suppression. Method: PERCEPT-Net utilizes a residual U-Net backbone integrated with a multi-scale recovery module and dual attention mechanisms to preserve anatomical context and salient features. The core mechanism, Motion Perceptual Loss (MPL), provides artifact-aware supervision by learning generalizable motion artifact representations. This logic directly guides the network to suppress artifacts while maintaining anatomical fidelity. Training utilized a hybrid dataset of real and simulated sequences, followed by prospective validation via objective metrics and expert radiologist assessments. Result: PERCEPT-Net outperformed state-of-the-art methods on clinical data. Ablation analysis established a direct causal link between MPL and performance; its omission caused a significant deterioration in structural consistency (p < 0.001) and tissue contrast (p < 0.001). Radiologist evaluations corroborated these objective metrics, scoring PERCEPT-Net significantly higher in global image quality (median 3 vs. 2, p < 0.001) and verifying the preservation of critical diagnostic structures. Conclusion: By integrating task-specific, artifact-aware perceptual learning, PERCEPT-Net suppresses motion artifacts in clinical MRI without compromising anatomical integrity. This framework improves clinical robustness and provides a verifiable mechanism to mitigate over-smoothing and structural degradation in medical image reconstruction.
• Abstract（参考訳）: 目的: 既存のディープラーニングに基づくMRIアーティファクト補正モデルでは, 固有のアーティファクトの混同による臨床一般化が不十分であり, 解剖学的構造からアーティファクトを識別することができない。 これを解決するために, PERCEPT-Netという, 構造保存アーティファクトの抑制に専用のパーセプティヴ・インスペクションを利用するフレームワークを紹介した。 方法:PERCEPT-Netは,複数スケールのリカバリモジュールとデュアルアテンション機構を統合した残存するU-Netバックボーンを用いて,解剖学的コンテキストと健全な特徴を保存する。 コアメカニズムであるMotion Perceptual Loss (MPL)は、一般化可能なモーションアーティファクト表現の学習によるアーティファクト認識の監視を提供する。 この論理はネットワークを直接誘導し、解剖学的な忠実さを維持しながらアーティファクトを抑圧する。 トレーニングでは、実およびシミュレートされたシーケンスのハイブリッドデータセットを使用し、続いて客観的なメトリクスと専門家の放射線学者による評価による予測検証を行った。 結果:PERCEPT-Netは臨床データで最先端の手法より優れていた。 アブレーション分析によりMPLと性能の直接因果関係が確立され, 脱落により構造整合性 (p < 0.001) と組織コントラスト (p < 0.001) が著しく低下した。 放射線学的な評価はこれらの客観的指標を裏付けるものであり、PERCEPT-Netは地球画像の画質(中間3対p<0.001)において有意に高く評価され、重要な診断構造の保存が検証された。 結語: PERCEPT-Netは, タスク固有の人工物認識学習を統合することで, 解剖学的整合性を損なうことなく, 臨床MRIにおける運動人工物を抑制する。 この枠組みは、臨床的堅牢性を改善し、医療画像再構成における過剰な平滑化と構造劣化を緩和する検証可能なメカニズムを提供する。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models [3.295369583957252]
  CARSは臨床特徴ベクトルに標的摂動を適用し、病理所見の挿入と削除を制御できる。 CARS生成画像の微調整は、精度・リコール性能を一貫して改善し、予測の不確実性を低減し、モデルの校正を改善する。
  論文  参考訳（メタデータ） (2026-03-16T16:48:51Z)
• Physically-Grounded Manifold Projection Model for Generalizable Metal Artifact Reduction in Dental CBCT [20.637726557566793]
  歯科用CBCTの金属遺物は極めて不明瞭な解剖学的構造である。 現在のMAR(Metal Artifact Reduction)の深層学習は制限に直面している。 Denoising Diffusion Models (DDPM) はリアリズムを提供するが、遅い反復的なサンプリングに依存している。
  論文  参考訳（メタデータ） (2025-12-30T14:36:26Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Anatomical feature-prioritized loss for enhanced MR to CT translation [0.0]
  画像翻訳と合成の伝統的な方法は、一般的にグローバルな画像再構成に最適化されている。 本研究は、新しい解剖学的特徴優先化(AFP)損失関数を合成プロセスに導入する。 AFP損失関数は、グローバルな再構成手法を置き換え、補うことができ、グローバルなイメージの忠実さと局所的な構造的詳細の両方にバランスよく重点を置いている。
  論文  参考訳（メタデータ） (2024-10-14T09:40:52Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。