論文の概要: Removing Motion Artifact in MRI by Using a Perceptual Loss Driven Deep Learning Framework

• arxiv url: http://arxiv.org/abs/2604.10439v2
• Date: Mon, 20 Apr 2026 09:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 19:27:32.368374
• Title: Removing Motion Artifact in MRI by Using a Perceptual Loss Driven Deep Learning Framework
• Title（参考訳）: 知覚的ロス駆動型ディープラーニングフレームワークを用いたMRIの運動アーチファクトの除去
• Authors: Ziheng Guo, Danqun Zheng, Shuai Li, Chengwei Chen, Boyang Pan, Xuezhou Li, Ziqin Yu, Langdi Zhong, Chenwei Shao, Yun Bian, Nan-Jie Gong,
• Abstract要約: PERCEPT-Netは深層学習フレームワークである。 フレームワークの中核は第3回モーション・パーセプティカル・ロス(MPL)であり、これはアーティファクトを意識したパーセプティカル・コントロール戦略である。 PerCEPT-Netは臨床データで最先端の手法に優れていた。
• 参考スコア（独自算出の注目度）: 6.697790479726774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Deep learning-based MRI artifact correction methods often demonstrate poor generalization to clinical data. This limitation largely stems from the inability of deep learning models in reliably distinguishing motion artifacts from true anatomical structures, due to insufficient awareness of artifact characteristics. To address this challenge, we proposed PERCEPT-Net, a deep learning framework that enhances structure preserving and suppresses artifact through dedicated perceptual supervision.Method: PERCEPT-Net is built on a residual U-Net backbone and incorporates three auxiliary components. The first multi-scale recovery module is designed to preserve both global anatomical context and fine structural details, while the second dual attention mechanisms further improve performance by prioritizing clinically relevant features. At the core of the framework is the third Motion Perceptual Loss (MPL), an artifact-aware perceptual supervision strategy that learns generalized representations of MRI motion artifacts, enabling the model to effectively suppress them while maintaining anatomical fidelity. The model is trained on a hybrid dataset comprising both real and simulated paired volumes, and its performance is validated on a prospective test set using a combination of quantitative metrics and qualitative assessments by experienced radiologists.Result: PERCEPT-Net outperformed state-of-the-art methods on clinical data. Ablation studies identified the Motion Perceptual Loss as the primary contributor to this performance, yielding significant improvements in structural consistency and tissue contrast, as reflected by higher SSIM and PSNR values. These findings were further corroborated by radiologist evaluations, which demonstrated significantly higher diagnostic confidence in the corrected volumes.
• Abstract（参考訳）: 目的: 深層学習に基づくMRIアーチファクト補正法では, 臨床データへの一般化が不十分な場合が多い。 この制限は主に、人工物の特徴の認識が不十分なため、運動アーティファクトと真の解剖学的構造を確実に区別する深層学習モデルが不可能であることに起因している。 この課題に対処するため,我々は PERCEPT-Net というディープラーニングフレームワークを提案した。このフレームワークは,既存のU-Net のバックボーン上に構築され,3つの補助コンポーネントが組み込まれている。 第1のマルチスケールリカバリモジュールは、大域的な解剖学的文脈と微細な構造的詳細の両方を維持するように設計されており、第2の二重注意機構は、臨床的に関係のある特徴を優先することによって、さらなるパフォーマンス向上を図っている。 フレームワークのコアとなる第3の運動知覚損失(MPL)は、MRIの運動アーティファクトの一般化表現を学習し、解剖学的忠実性を維持しながらモデルを効果的に抑制する、アーティファクト対応の知覚監視戦略である。 本モデルは, 実数値と模擬体積の両方からなるハイブリッドデータセットを用いて訓練し, その性能を, 経験者による定量的測定値と定性評価値の組み合わせを用いて, 臨床データに対するPERCEPT-Netの精度向上手法を用いて検証した。 アブレーション研究により、運動知覚損失がこのパフォーマンスに主要な貢献者であり、より高いSSIMおよびPSNR値によって反映されるように、構造的一貫性と組織コントラストが著しく改善された。 これらの所見は放射線検査でさらに裏付けられ, 診断精度は改善した。

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。